Contribuicoes ao Problema de Predicao Recursiva Usando Redes Neurais

Nesta trabalho aborda-se o problema de predição recursiva de séries temporais univariadas, também chamado de predição de longo prazo, usando redes neurais recorrentes. Este tipo de problema surge, com frequência, em tarefas de modelagem e predição de sistemas dinâmicos não-lineares, principalmente os que produzem sinais de natureza caótica, em que se observa a presença de dependência temporal (memória) de longa duração. Isto posto, para tratar o problema de predição recursiva, extensões do modelo neural NARX (Nonlinear AutoRegressive model with eXogenous inputs) são propostas nesta tese. Estas extensões resultam da tentativa de incorporar à rede NARX diferentes estratégias de modelagem da informação temporal, tanto de curto quanto de longo prazo. Dentre estas estratégias, destacam-se: (i) predição (simultânea) de vários passos à frente, também chamada de predição MIMO (multiinput, multi-output model), (ii) predição via projeções aleatórias dinâmicas, tal como na rede ESN (echo state network), (iii) predição via projeções aleatórias estáticas, tal como na rede ELM (extreme learning machine), e (iv) predição via modelos recorrentes híbridos baseados nas redes NARX e ELMAN.