Distribui - PowerPoint PPT Presentation

1 / 20
About This Presentation
Title:

Distribui

Description:

Previs o de consumos a curto prazo S ries temporais Cl udio Monteiro S ries temporais Esta a metodologia cl ssica mais popular para a previs o a curto prazo ... – PowerPoint PPT presentation

Number of Views:56
Avg rating:3.0/5.0
Slides: 21
Provided by: Clud8
Category:

less

Transcript and Presenter's Notes

Title: Distribui


1
Previsão de consumos a curto prazo
  • Séries temporais
  • Cláudio Monteiro

2
Séries temporais
  • Esta é a metodologia clássica mais popular para a
    previsão a curto prazo de consumos (previsão da
    ponta para o próximo dia, previsão da ponta para
    a próxima semana).
  • Um modelo de séries temporais faz a previsão dos
    futuros valores da série com base nos valores
    presentes e passados da própria variável e dos
    seus erros.
  • A metodologia usada para a previsão de séries
    temporais designa-se por Box-Jenkings ou também
    por modelos ARIMA.
  • ARIMA Auto-regressivos (AR), integrados (I) e
    de média móvel (MA)

Consumos de gás em Lisboa
Produção de um parque eólico
3
Séries temporais
  • Estacionaridade Quando a série temporal
    apresenta uma média e variância constantes.
  • A aplicação de modelos auto-regressivos (AR) e de
    média móvel (AM) requer estacionaridade
  • Se a variância não for constante extrair o
    logaritmos ou uma potencia da série
  • Diferenciar a série pode levar a uma série
    estacionária. Esta diferenciação está
    relacionada com métodos integrativos,
    ARIMA(0,d,0).
  • Se existir uma tendência (trend) pode
    ajustar-se o desvio por uma curva, subtraindo o
    valor da curva à série.

MWH
Log(MWH)
(1-B12)Log(MWH)
4
Séries temporais
  • Diferenciação de primeira ordem para uma primeira
    diferença
  • Diferenciação de primeira ordem para uma primeira
    diferença
  • Diferenciação de segunda ordem

5
Séries temporais
  • Modelos auto-regressivos (AR) ou ARIMA(p,0,0)
  • O valor presente Xt é uma função linear dos
    valores passados Xt- e de uma função aleatória
    at que é uma variável aleatória independente
    descrita por uma fdp Normal
  • A ordem da auto-regressão depende do valor mais
    antigo p
  • ?n são os coeficientes de regressão, constantes e
    reais. para encontrar estes valores podem ser
    usadas técnicas de mínimos quadrados.

6
Séries temporais
  • Modelos de média móvel (MA) ou ARIMA(0,0,q)
  • O valor presente Xt é uma função linear dos
    valores passados erros at-
  • A ordem da auto-regressão depende do valor mais
    antigo do erro q
  • ?m são os coeficientes de regressão, constantes e
    reais. O sinal negativo é apenas uma questão de
    convenção.

7
Séries temporais
  • Modelos mistos ARMA ou ARIMA(p,0,q)
  • O valor presente Xt é uma função linear dos
    valores passados da série Xt- e dos valores
    passados dos erros at-
  • A ordem da auto-regressão depende do valor mais
    antigo dos elementos da série p e do erro q
  • ?n e ?m são os coeficientes de regressão,
    constantes e reais.

8
Séries temporais
  • Modelos mistos ARIMA ou ARIMA(p,d,q)
  • Quando a série não é estacionária recorre-se à
    diferenciação de ordem d
  • A ordem da auto-regressão depende do valor mais
    antigo dos elementos da série p e do erro q e da
    ordem de diferenciação d
  • Para um exemplo ARIMA(1,1,1) teremos

9
Séries temporais
  • Coeficientes de correlação
  • Coeficientes de auto-correlação

10
Séries temporais
ACF e PACF para exemplos integrativos e
autoregressivos de 1ª ordem
AR(1)
11
Séries temporais
ACF e PACF para exemplos de média móvel de 1ª
ordem
ACF
PACF
MA(1)
12
Séries temporais
ACF e PACF para exemplos autoregressivos de 2ª
ordem
ACF
PACF
AR(2)
13
Séries temporais
ACF e PACF para exemplos autoregressivos de 2ª
ordem
ACF
PACF
AR(2)
14
Séries temporais
ACF e PACF para exemplos de média móvel de 2ª
ordem
ACF
PACF
MA(2)
15
Séries temporais
ACF e PACF para exemplos de média móvel de 2ª
ordem
ACF
PACF
MA(2)
16
Séries temporais
ACF e PACF para exemplos ARMA(1,1)
ACF
PACF
ARMA(1,1)
17
Séries temporais
ACF e PACF para exemplos ARMA(1,1)
ACF
PACF
ARMA(1,1)
18
Séries temporais
ACF e PACF para exemplos ARIMA(p,d,q)4 sazonal
ARIMA(0,1,0)4
ARIMA(1,0,0)4
19
Séries temporais
ACF e PACF para exemplos ARIMA(p,d,q)4 sazonal
ACF
PACF
ARIMA(1,0,0)4
ARIMA(0,0,1)4
20
Séries temporais
  • Construção de um modelo ARIMA
  • Observar gráficos (linhas) identificar
    estacionaridade identificar sazonalidade
  • Aplicar transformações logarítmicas ou potências
    para garantir a estacionaridade da variância
  • Aplicar diferenciação para garantir
    estacionaridade da tendência
  • Aplicar diferenciação para extrair sazonalidade
  • Observar ACF e PACF para identificar o tipo de
    modelo ARMA
  • Usando o método dos mínimos quadrados identificar
    os parâmetros do modelo ARMA
  • Construir o modelo completo fazer a previsão
    validar o modelo avaliar o erro e intervalo de
    confiança
Write a Comment
User Comments (0)
About PowerShow.com