
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 | Leite, Daniel Furtado | - |
| Autor(es): dc.creator | Škrjanc, Igor | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T12:30:18Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T12:30:18Z | - |
| Data de envio: dc.date.issued | 2020-06-26 | - |
| Data de envio: dc.date.issued | 2020-06-26 | - |
| Data de envio: dc.date.issued | 2019-11 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/41596 | - |
| Fonte completa do material: dc.identifier | https://www.sciencedirect.com/science/article/pii/S0020025519306590#! | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1162612 | - |
| Descrição: dc.description | This paper presents an online-learning ensemble framework for nonstationary time series prediction. Optimal granular fuzzy rule-based models with different objective functions and constraints are evolved from data streams. Evolving optimal granular systems (eOGS) consider multiobjective optimization, the specificity of information, model compactness, and variability and coverage of the data within the process of modeling data streams. Forecasts of individual base eOGS models are combined using averaging aggregation functions: ordered weighted averaging (OWA), weighted arithmetic mean, median, and linear non-inclusive centered OWA. Some aggregation functions use specific weights for the relevance of the base models and exclude extreme values and outliers. The weights of other aggregation functions are adapted over time based on a quadratic programming problem and the data within a sliding window. This paper investigates whether an online-learning ensemble can outperform individual eOGS models, and which aggregation function provides the most accurate forecasts. Real multivariate weather time series, particularly time series of daily mean temperature, air humidity, and wind speed from different weather stations, such as Paris–Orly, Frankfurt–Main, Reykjavik, and Oslo–Blindern, are used for evaluation. The results show that ensemble schemes outperform individual models. The proposed linear non-inclusive centered OWA function provided the most accurate numerical predictions. | - |
| Idioma: dc.language | en | - |
| Publicador: dc.publisher | Elsevier B.V. | - |
| Direitos: dc.rights | restrictAccess | - |
| ???dc.source???: dc.source | Information Sciences | - |
| Palavras-chave: dc.subject | Evolving fuzzy systems | - |
| Palavras-chave: dc.subject | Ensemble learning | - |
| Palavras-chave: dc.subject | Aggregation functions | - |
| Palavras-chave: dc.subject | Granular computing | - |
| Palavras-chave: dc.subject | Weather time series prediction | - |
| Palavras-chave: dc.subject | Sistema fuzzy | - |
| Palavras-chave: dc.subject | Funções de agregação | - |
| Palavras-chave: dc.subject | Computação granular | - |
| Palavras-chave: dc.subject | Previsão de séries temporais | - |
| Palavras-chave: dc.subject | Estações meteorológicas | - |
| Título: dc.title | Ensemble of evolving optimal granular experts, OWA aggregation, and time series prediction | - |
| Tipo de arquivo: dc.type | Artigo | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal de Lavras (RIUFLA) | |
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: