Métododos de identificação fuzzy para modelos autoregressivos sazonais madiante a função de autocorrelação estendida

In this study, a fuzzy-based strategy for improvement of forecasting performance in data time series analysis is proposed. The designed methodology is target to seasonal autoregressive moving average processes modelling and can be applied to an wide range of real world applications. By means of hybrid approach based on a fuzzy version of correlation functions, the interpolating and the generalization capabilities of fuzzy systems are exploited in order to obtain a robust forecasting, even considering series with missing data points. In order to increase the algorithm accuracy, several design parameters were tested and optimized by computational tests. The following parameters are considered in this process: the length of the trajectory of the time series, the number of fuzzy sets, and the limit for activation of the support of the triangular fuzzy sets. It was observed that the membership function of triangular form lead to improved forecasting performance. A simulation to evaluate the accuracy of the forecasting of a fuzzy seasonal autoregressive model is described. To demonstrate the eectiveness of the proposed methodology, four case studies on data from some public data base was carried-out. The results conrm the improved performance of the proposed algorithm, allowing to obtain a reduced forecasting error in comparison to a conventional statistical methodology and fuzzy, for instance. The projections produced by the new method when subjected to fuzzy condence interval analysis showed satisfactory accuracy.CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorNeste estudo, é proposta uma estrategia baseada na metodologia fuzzy para a melhoria do desempenho das previsões de dados mediante um modelo de série temporal. Esta metodologia é concebida para modelagem de processos autoregressivos sazonais de média móvel e pode ser adotada sobre diversas aplicações no mundo real. Por meio da abordagem híbrida, baseada em uma versão da função de autocorrelação fuzzy, a interpolação e as capacidades de generalização de sistemas fuzzy foram exploradas para se obter uma previsão robusta, mesmo considerando séries de curta ou longa duração. A fim de aumentar a precisão do algoritmo de identicação proposto, vários parâmetros de desempenho foram testados e otimizados por simulações computacionais. Os seguintes parâmetros foram considerados nesse processo: o comprimento de trajetória da série histórica, o número de conjuntos fuzzy, e o limite para ativação do suporte dos conjuntos fuzzy triangulares. Observou-se que a função de pertinência triangular contribuiu para a melhoria do desempenho no modelo de previsão. Para demonstrar a eficácia da metodologia proposta, foram implementados quatro estudos de caso a partir de dados disponíveis na literatura. Os resultados confirmaram o bom desempenho do algoritmo proposto, permitindo a obtencão de um erro de previsão pequeno, sobretudo, em comparação com metodologias de identificação parametrica consolidadas na literatura. As projeções produzidas pelo novo método proposto, quando submetidas ao conceito de intervalo de confianca fuzzy, demonstraram uma precisão satisfatoria