Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.creator | Cordeiro, Clara | - |
Autor(es): dc.creator | Ramos, Maria do Rosário | - |
Autor(es): dc.creator | Neves, M. Manuela | - |
Data de aceite: dc.date.accessioned | 2025-08-21T15:06:33Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T15:06:33Z | - |
Data de envio: dc.date.issued | 2023-07-24 | - |
Data de envio: dc.date.issued | 2023-07-24 | - |
Data de envio: dc.date.issued | 2023-06-30 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/10400.2/14571 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/10400.2/14571 | - |
Descrição: dc.description | The development of new forecasting algorithms has shown an increasing interest due to the emerging of new fields of application like machine learning and forecasting competitions. Although initially intended for independent random variables, bootstrap methods can be successfully applied to time series. The Boot.EXPOS procedure, which combines bootstrap and exponential smoothing methods, has shown promising results for forecasting. This work proposes a new approach to forecasting, which is briefly described as follows: using Seasonal-Trend decomposition by Loess (STL), the best STL fit is selected by testing all possible combinations of parameters. The best combination of smoothing parameters is chosen based on an accuracy measure. The time series is then decomposed into components according to the best STL fit. The Boot.EXPOS procedure is employed to forecast the seasonal component and the seasonally adjusted time series. These forecasts are aggregated to obtain a final forecast. The performance of this combined forecast is evaluated using real datasets and compared with other established forecasting methods. | - |
Descrição: dc.description | info:eu-repo/semantics/acceptedVersion | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | en | - |
Publicador: dc.publisher | Springer | - |
Relação: dc.relation | Centre of Statistics and its Applications | - |
Palavras-chave: dc.subject | Boot.EXPOS | - |
Palavras-chave: dc.subject | Forecast | - |
Palavras-chave: dc.subject | Time series | - |
Palavras-chave: dc.subject | Seasonal-Trend decomposition by Loess | - |
Título: dc.title | Improving forecasting by resampling STL decomposition | - |
Aparece nas coleções: | Repositório Aberto - Universidade Aberta (Portugal) |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: