Previsão não-linear dos preços de troncos de eucalipto baseada em uma abordagem neuroevolutiva

Abstract

As ferramentas de identificação de sistemas e previsão de séries temporais permitem a concepção de modelos matemáticos baseados em dados numéricos. O problema essencial, nestes casos, é determinar o modelo matemático apropriado. Esse artigo apresenta o projeto de uma rede neural função de base radial (RN-RBF) para a previsão de séries temporais. Na utilização da RN-RBF para previsão de sistemas não-lineares é difícil determinar um conjunto apropriado de centros e aberturas para as funções de ativação Gaussianas para obter uma boa estrutura. Neste trabalho, a configuração da RN-RBF é baseada em uma abordagem híbrida baseada em método de agrupamento de dados de Gustafson-Kessel e procedimento de otimização usando evolução diferencial. O projeto de RN-RBF é validado para previsão de um passo à frente dos preços de troncos de eucalipto para celulose e serraria para ilustrar a eficiência da abordagem híbrida proposta. Além disso, o desempenho do projeto de RN-RBF baseado nos resultados de previsão é apresentado e discutido neste artigo.Computational tools of system identification and prediction of time series allows for the conception of mathematical models based on numerical data. The key problem in these cases is to find a suitable mathematical model. This paper presents a radial basis function neural network (RBF-NN) design for forecasting time series. Using the RBF-NN for nonlinear system forecasting is quite difficult as one has to choose an appropriate set of centers and spreads for the Gaussian activation functions to achieve a good network structure. In this work, the setup of RBF-NN is based on a hybrid method based on the Gustafson-Kessel clustering method and optimization procedure by differential evolution. The RBF-NN design is validated for the one-step ahead forecasting of eucalyptus wood prices for cellulose and sawmill to illustrate the effectiveness of this hybrid approach. The performance of the RBF-NN design based on forecasting results is presented and discussed in details.