Título: Modelo híbrido para previsão de séries temporais baseado em decomposição e redes neurais
Autores: João Lucas Ferreira dos Santos, Tathiana Mikamura Barchi, Yslene Rocha Kachba, Sergio Luiz Stevan Jr & Hugo Valadares Siqueira
Resumo: Este estudo investiga a inserção de modelos híbridos de previsão de séries temporais. Para tal, avaliou-se a viabilidade de um modelo que combina decomposição aditiva, seleção progressiva de atrasos e redes neurais (MLP e LSTM) integradas por ELM para prever preços diários em cinco regiões brasileiras (RS, SC, SP, PR e MG) de preços de carne suína no contexto. Adotou-se uma abordagem experimental sobre 2.494 observações diárias (02/03/2015–28/02/2025) coletadas em bases secundárias e no Centro de estudos avançados em economia aplicada (CEPEA). As séries foram divididas em 60% treino, 20% validação e 20% teste, decompostas em tendência, sazonalidade e resíduos, e submetidas à seleção progressiva de atrasos; em seguida, MLP e LSTM foram treinados e suas saídas mapeadadas/reconstruídas por uma ELM. O modelo híbrido apresentou desempenho superior aos modelos individuais em todos os datasets, obtendo as menores métricas de RMSE, MAE e MAPE. Neste sentido, propõe-se um modelo adaptável passível de extensão a outros mercados e horizontes de previsão.
Palavras-chave: Time series forecasting; Hybrid models; Lag selection; Pork prices.
Páginas: 6
Código DOI: 10.21528/CBIC2025-1175715
Artigo em PDF: CBIC_2025_paper1175715.pdf
Arquivo BibTeX:
CBIC_2025_1175715.bib