Nesta tese de doutorado, é proposto um novo método híbrido wavelet-neural
integrado com um amostrador bootstrap para projeção pontual e intervalar de séries
temporais estocásticas. Basicamente, combinam-se os métodos de encolhimento e
de decomposição Wavelet no pré-processamento dos dados e, em seguida, uma
Rede Neural Artificial (RNA) é usada para produzir as de previsões pontuais. A
medida de incerteza do modelo RNA é obtida com a utilização de uma amostragem
bootstrap dos resíduos do modelo RNA ajustado à série temporal subjacente. A fim
de se obter o intervalo de confiança, calculou-se a média ponderada das previsões
de B séries temporais oriundas do processo bootstrap, sendo os pesos
determinados via otimização de um problema de programação não linear cuja função
objetivo é a minimização da raiz quadrada do erro quadrático médio entre a
combinação linear das B previsões e a série temporal subjacente. Além do intervalo
de confiança, obtém-se também a estimativa do intervalo de previsão, sendo este
último mais amplo que o primeiro, pois engloba as variâncias do modelo de
regressão RNA e dos ruídos. A estimativa do desvio padrão dos ruídos foi alcançada
com o treinamento de uma RNA com função custo oriunda da função de máxima
verossimilhança log-normal, otimizada por meio da meta-heurística PSO. Para se
averiguar a eficiência do método preditivo proposto, foram realizados experimentos
computacionais para previsões pontuais envolvendo séries temporais utilizadas com
frequência para este fim, podendo ser encontradas com facilidade em publicações
da literatura especializada. As séries temporais referidas são as seguintes: Canadian
Lynx, Wolf’s Sunspot e Exchange Rate. Os desempenhos preditivos alcançados pelo
método proposto, em relação às abordagens de outros autores, são efetivos e
consideráveis. Em particular, os intervalos de confiança e previsão foram estimados
para uma série temporal de vazão média mensal afluente da hidrelétrica de Itaipu,
em Foz do Iguaçu, Brasil. Neste caso, para efeito de comparação, usaram-se os
seguintes métodos de previsão: RNA, Box & Jenkins e decomposição wavelet
integrada com rede neural artificial e ARIMA (Wavelet-RNA e Wavelet-ARIMA).
Comparações com resultados de previsões obtidos através de modelos de Box &
Jenkins e RNA, quando usados individualmente, constatam consideráveis ganhos
preditivos auferidos com o uso do método proposto, reduzindo o erro preditivo em
62%, aproximadamente. Na comparação com os métodos compostos Wavelet-RNA
e Wavelet-ARIMA, a redução do erro foi da ordem de 54%.