Máquina de aprendizado extremo combinada com otimização por enxame de partículas aplicado em previsão de séries temporais

Rafael Bartnik Grebogi¹; Deivid Zancheta de Lima¹; Eduardo Massashi Yamao²; Marco Antonio Reichert Boaretto²; Leandro dos Santos Coelho³

¹ Instituto Federal de Santa Catarina; ² Universidade Federal do Paraná; ³ Pontifícia Universidade Católica do Paraná

doi:10.20906/CPS/CON-2016-1618

Resumo

O objetivo deste artigo é otimizar a aplicação de máquinas de aprendizado extremo para previsão de séries temporais. O algoritmo de máquinas de aprendizado extremo, neste contexto, serve como uma alternativa às limitações relacionadas ao custo computacional e tempo de treinamento das redes neurais artificiais do tipo perceptron multi-camadas. É aplicada a técnica de otimização por enxame de partículas clássica junto com mais duas de suas variações como alternativa de método de otimização linear das ponderações do algoritmo de máquinas de aprendizado extremo. Para testar esta abordagem de otimização são comparadas aplicações em três estudos de caso de previsão de séries temporais. As previsões realizadas pela máquina de aprendizado extremo combinada com a otimização por enxame de partículas revelam resultados promissores, mostrando que a combinação das duas técnicas é uma eficiente forma de previsão de séries temporais ou mesmo identificação de sistemas não-lineares.

Palavras-chave: máquina de aprendizado extremo; otimização; otimização por enxame de partículas; identificação de sistemas; previsão de séries temporais