Algoritmos de Modelagem de Séries Temporais Adaptativas para Dados Não Estacionários

Séries temporais não estacionárias desafiam sistemas de previsão convencionais, uma vez que suas distribuições subjacentes flutuam, mudam e se reorganizam ao longo do tempo. Para abordar isso, propomos uma estrutura de modelagem adaptativa que interpreta a evolução temporal através de uma lente suave e consciente da incerteza. O método incorpora cada observação em representações de pertencimento fuzzy, permitindo que o sistema quantifique desvios locais em relação a padrões temporais aprendidos. Esses pertencimentos são integrados por meio de um mecanismo de propagação de crença bayesiana, que estabiliza previsões ao rastrear recursivamente estruturas temporais em evolução. Uma estratégia de adaptação impulsionada por entropia modula ainda mais a força da atualização, permitindo que o modelo reaja prontamente a mudanças reais de regime, enquanto evita o overfitting a ruídos transitórios. Avaliado em múltiplos conjuntos de dados não estacionários, a estrutura proposta melhora consistentemente a coerência preditiva, reduz a variância induzida por desvios e aprimora a robustez sob dinâmicas em mudança. Os resultados demonstram que modelar explicitamente a ambiguidade de distribuição - em vez de supor estacionariedade - fornece um caminho fundamentado para previsões confiáveis em ambientes dinâmicos do mundo real.