Uma nova abordagem baseada em aprendizado profundo para previsão de séries temporais usando sarima, neural prophet e fb prophet
Palavras-chave:
Análise de séries temporais, previsão de séries temporais, Inteligência artificial, SARIMA, Modelo profeta neural, Modelo profeta Facebook, Parâmetros de avaliaçãoResumo
Objetivo: O artigo tem como objetivo explorar e avaliar uma nova abordagem baseada em aprendizado profundo para previsão de séries temporais, utilizando três modelos específicos: SARIMA (Média Móvel Integrada Autoregressiva Sazonal), Neural Prophet e Facebook Prophet. O principal objetivo é avaliar a eficácia desses modelos na previsão de valores do mercado de ações na região do Golfo, fornecendo insights sobre os modelos mais adequados para tarefas de previsão.
Métodos: O estudo utiliza bibliotecas e frameworks do Python para implementar os modelos SARIMA, Neural Prophet e Facebook Prophet. Os modelos são treinados com dados do mercado de ações do conjunto de dados do Mulkia Gulf Real Estate. A metodologia inclui pré-processamento de dados, treinamento de modelos, avaliação e comparação usando métricas como Erro Quadrático Médio (MSE), Raiz do Erro Quadrático Médio (RMSE) e Erro Percentual Médio Absoluto (MAPE).
Resultados: Os resultados da avaliação mostram que o SARIMA apresenta um bom desempenho em tarefas de previsão gerais, especialmente quando os conjuntos de dados contêm tendências sazonais. O Facebook Prophet se destaca com conjuntos de dados menores que possuem dados sazonais, enquanto o Neural Prophet demonstra sua capacidade de capturar padrões complexos e não lineares. No entanto, o Neural Prophet requer dados mais detalhados e ajustes finos para resultados ótimos.
Contribuição: Este estudo fornece uma análise comparativa de modelos de aprendizado profundo para previsão de séries temporais, oferecendo insights valiosos sobre seus pontos fortes e fracos. Os resultados contribuem para a compreensão de quais modelos são mais adequados para previsão de mercado de ações e como podem ser adaptados a diferentes tipos de dados e cenários.
Conclusão: A pesquisa conclui que cada modelo—SARIMA, Facebook Prophet e Neural Prophet—possui suas forças únicas na previsão de séries temporais. O SARIMA é confiável para lidar com dados sazonais, o Facebook Prophet é eficiente para conjuntos de dados menores com tendências claras e o Neural Prophet é ideal para conjuntos de dados mais complexos. O estudo destaca a importância de selecionar o modelo adequado com base nos requisitos específicos da tarefa de previsão.
Referências
Bergmeir, C., Hyndman, R. J., & Koo, B. (2018). A note on the validity of cross-validation for evaluating autoregressive time series prediction. Computational Statistics & Data Analysis, 120, 70-83.
Cerqueira, V., Torgo, L., & Mozetič, I. (2020). Evaluating time series forecasting models: An empirical study on performance estimation methods. Machine Learning, 109, 1997-2028.
Chatfield, C (2000). Time-series forecasting. CRC press.
González Mata, A. (2020). A comparison between LSTM and Facebook Prophet models: a financial forecasting case study.
Jha, B. K., & Pande, S. (2021). Time series forecasting model for supermarket sales using FB-prophet. In 2021 5th International Conference on Computing Methodologies and Communication (ICCMC) (pp. 547-554). IEEE.
Khare, K., Darekar, O., Gupta, P., & Attar, V. Z. (2017, May). Short term stock price prediction using deep learning. In 2017 2nd IEEE international conference on recent trends in electronics, information & communication technology (RTEICT) (pp. 482-486). IEEE.
Kritharas, P. (2014). Developing a SARIMAX model for monthly wind speed forecasting in the uk (Doctoral dissertation, Loughborough University).
Long, B., Tan, F., & Newman, M. (2023). Forecasting the Monkeypox Outbreak Using ARIMA, Prophet, NeuralProphet, and LSTM Models in the United States. Forecasting, 5(1), 127-137.
Madsen, H. (2007). Time series analysis. CRC Press.
Mahmud, S. (2020). Bangladesh COVID-19 daily cases time series analysis using Facebook prophet model. Available at SSRN 3660368.
Masini, R. P., Medeiros, M. C., & Mendes, E. F. (2023). Machine learning advances for time series forecasting. Journal of economic surveys, 37(1), 76-111.Nikou, M., Mansourfar, G., & Bagherzadeh, J. (2019). Stock price prediction using DEEP learning algorithm and its comparison with machine learning algorithms. Intelligent Systems in Accounting, Finance and Management, 26(4), 164-174.
Nontapa, C., Kesamoon, C., Kaewhawong, N., & Intrapaiboon, P. (2021). A New Hybrid Forecasting Using Decomposition Method with SARIMAX Model and Artificial Neural Network. Computer Science, 16(4), 1341-1354.
Samek, W., Montavon, G., Lapuschkin, S., Anders, C. J., & Müller, K. R. (2021). Explaining deep neural networks and beyond: A review of methods and applications. Proceedings of the IEEE, 109(3), 247-278.
Shohan, M. J. A., Faruque, M. O., & Foo, S. Y. (2022). Forecasting of electric load using a hybrid LSTM-neural prophet model. Energies, 15(6), 2158.
Sivaramakrishnan, S., Fernandez, T. F., Babukarthik, R. G., & Premalatha, S. (2022). Forecasting time series data using arima and facebook prophet models. In Big data management in Sensing (pp. 47-59). River Publishers.
Torres, J. F., Hadjout, D., Sebaa, A., Martínez-Álvarez, F., & Troncoso, A. (2021). Deep learning for time series forecasting: a survey. Big Data, 9(1), 3-21.
Triebe, O., Hewamalage, H., Pilyugina, P., Laptev, N., Bergmeir, C., & Rajagopal, R. (2021). Neuralprophet: Explainable forecasting at scale. arXiv preprint arXiv:2111.15397.
Zunic, E., Korjenic, K., Hodzic, K., & Donko, D. (2020). Application of facebook's prophet algorithm for successful sales forecasting based on real-world data. arXiv preprint arXiv:2005.07575.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Revista Gestão & Tecnologia
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
Os direitos, inclusive os de tradução, são reservados. É permitido citar parte de artigos sem autorização prévia desde que seja identificada a fonte. A reprodução total de artigos é proibida. Em caso de dúvidas, consulte o Editor.
