Máquina de estado líquido para previsão de séries temporais contínuas: aplicação na demanda de energia elétrica

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorCenteno, Tania Mezzadri-
Autor(es): dc.contributorBotelho, Silvia Silva da Costa-
Autor(es): dc.creatorGrando, Neusa-
Data de aceite: dc.date.accessioned2025-08-29T13:40:40Z-
Data de disponibilização: dc.date.available2025-08-29T13:40:40Z-
Data de envio: dc.date.issued2014-08-15-
Data de envio: dc.date.issued2014-08-15-
Data de envio: dc.date.issued2010-09-27-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/896-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1117463-
Descrição: dc.descriptionAmong of several aspects of the natural intelligence is its ability to process temporal information. One of major challenges to be addresses is how to efficiently develop intelligent systems that integrate the complexities of human behavior. In this context, appear the Liquid State Machines (LSMs), a pulsed neural architecture (liquid) that projects the input data in a high-dimensional dynamical space and therefore makes the analysis of input data all through a classical neural network (readout). Thus, this thesis presents an innovative solution for forecasting continuous time series through LSMs with reset mechanism and analog inputs, applied to the electric energy demand. The methodology was applied in the short-term and long-term forecasting of electrical energy demand. Results are promising, considering the high error to stop training the readout, the low number of iterations of training of the readout, and that no strategy of seasonal adjustment or preprocessing of input data was achieved. So far, it can be notice that the LSMs have been studied as a new and promising approach in the Artificial Neural Networks paradigm, emergent from cognitive science.-
Descrição: dc.descriptionCAPES-
Descrição: dc.descriptionUm dos aspectos fundamentais da inteligência natural é sua aptidão no processamento de informações temporais. O grande desafio proposto é o de desenvolver sistemas inteligentes que mapeiem essa aptidão do comportamento humano. Neste contexto, aportam as Máquinas de Estado Líquido (LSMs), uma arquitetura neural pulsada (meio líquido) que projeta os dados de entrada em um espaço dinâmico de alta dimensão e, por conseguinte, realiza a análise do conjunto de dados de entrada através de uma rede neural clássica (unidade de leitura). Desta maneira, esta tese apresenta uma solução inovadora para a previsão de séries temporais contínuas através das LSMs com mecanismo de reinicialização e entradas analógicas, contemplando a área da demanda de energia elétrica. A metodologia desenvolvida foi aplicada no horizonte de previsão a curto prazo e a longo prazo. Os resultados obtidos são promissores, considerando o alto erro estabelecido para parada do treinamento da unidade de leitura, o baixo número de iterações do treinamento da unidade de leitura e que nenhuma estratégia de ajustamento sazonal, ou pré-processamento, sob os dados de entrada foi realizado. Até o momento, percebe-se que as LSMs têm despontado como uma nova e promissora abordagem dentro do paradigma conexionista, emergente da ciência cognitiva.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherCuritiba-
Publicador: dc.publisherPrograma de Pós-Graduação em Engenharia Elétrica e Informática Industrial-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Palavras-chave: dc.subjectAnálise de séries temporais-
Palavras-chave: dc.subjectEnergia elétrica - Consumo - Previsão-
Palavras-chave: dc.subjectPrevisão tecnológica-
Palavras-chave: dc.subjectInteligência artificial-
Palavras-chave: dc.subjectNeurociência cognitiva-
Palavras-chave: dc.subjectEngenharia elétrica-
Palavras-chave: dc.subjectNeural networks (Computer science)-
Palavras-chave: dc.subjectTime-series analysis-
Palavras-chave: dc.subjectElectric power consumption - Forecasting-
Palavras-chave: dc.subjectTechnological forecasting-
Palavras-chave: dc.subjectArtificial intelligence-
Palavras-chave: dc.subjectCognitive neuroscience-
Palavras-chave: dc.subjectElectric engineering-
Título: dc.titleMáquina de estado líquido para previsão de séries temporais contínuas: aplicação na demanda de energia elétrica-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.