Previsão de séries temporais na presença de mudança de conceito: uma abordagem baseada em PSO

CNPqPrevisão de séries temporais é um problema com muitas aplicações. No entanto, em muitos domínios, tal como mercado de ações, o processo gerador das observações das séries temporais pode mudar, tornando os modelos de previsão obsoletos. Esse problema é conhecido como mudança de conceito (Concept Drift). Abordagens para previsão de séries temporais devem ser capazes de detectar e reagir a uma mudança de conceito em tempo hábil, de modo que o modelo de previsão possa ser atualizado o mais rápido possível. Apesar do fato de que o problema da mudança de conceito ser bem investigado na literatura, principalmente em problemas de classificação de dados, pouco esforço tem sido feito para resolver esse problema para previsão de séries temporais até agora. A fim de preencher essa lacuna, esse trabalho propõe três métodos para detecção de mudança de conceito e duas arquiteturas que usam inteligência de enxames da detecção de mudança de conceito até a adaptação depois da mudança em previsão de séries temporais. Os sistemas monitoram o erro através de Testes de Detecção de Mudanças (CDT’s) por meio de vários modelos de previsão gerados por um método de inteligência de enxames, chamado de Algoritmo de Enxame de Partículas (PSO). Para adaptação, técnicas de Otimização Dinâmica Evolucionária (EDO), como o uso de memória e seleção das melhores partículas, foram usadas para melhorar a adaptabilidade dos modelos. Experimentos mostraram que em relação a detecção de mudança de conceito os métodos propostos alcançaram os melhores resultados em séries que possuem mudanças abruptas. Além disso, em relação a acurácia de previsão, os métodos com adaptação a mudança de conceito obtiveram os melhores resultados segundo o ranking de Friedman, apresentando diferença estatística dos demais métodos experimentados.Time series forecasting is a problem with many applications. However, in many domains, such as stock market, the underlying generating process of the time series observations may change, making forecasting models obsolete. This problem is known as Concept Drift. Approaches for time series forecasting should be able to detect and react to concept drift in a timely manner, so that the forecasting model can be updated as soon as possible. Despite the fact that the concept drift problem is well investigated in the literature, mainly in problems of data classification, little effort has been made to solve this problem for time series forecasting so far. Therefore, to overcome the aforementioned problems and challenges, we propose three methods of concept drift detection and two architectures that use swarm intelligence from the detection of concept change to adaptation after the change in time series prediction. The systems monitor the error, through Change Detection Tests (CDT’s), through several prediction models generated by a swarm intelligence method, called the Particle Swarm Optimization (PSO). For adaptation, techniques of Evolutionary Dynamic Optimization (EDO), as the use of memory and selection of best particles, are used to improve the adaptability of the models. Experiments show that in relation of detection of concept drift the proposed methods reach the best results in time series which that have abrupt changes. Besides that, in relation to forecasting acuracy, the methods with adaptation to concept drift got the best results according to the Friedman rank, showing statistic difference against the other experimented methods