Análise e Modelagem de Séries Temporais para Previsão: uma Pesquisa

A modelagem de séries temporais para fins preditivos tem sido uma área de pesquisa ativa em aprendizado de máquina por muitos anos. No entanto, até agora, não foi oferecida uma pesquisa suficientemente abrangente e, ao mesmo tempo, substancial. Esta pesquisa busca atender a essa necessidade. Uma apresentação unificada foi adotada para partes integrais desta compilação. Um fio condutor guia o leitor desde o pré-processamento de séries temporais até a previsão. A decomposição de séries temporais é uma tarefa de pré-processamento importante, para separar efeitos não estacionários (os componentes determinísticos) do restante do constituinte estocástico, assumido como estacionário. Os componentes determinísticos são previsíveis e contribuem para a previsão através de estimativas ou extrapolações. Ajustar o modelo mais apropriado ao componente estocástico restante visa capturar a relação entre valores passados e futuros, permitindo a previsão. Abrangemos um espectro suficientemente amplo de modelos, oferecendo, no entanto, desenvolvimentos metodológicos substanciais. Descrevemos três principais modelos lineares paramétricos, juntamente com duas extensões não lineares, e apresentamos cinco categorias de modelos paramétricos não lineares. Além de modelos estatísticos convencionais, destacamos seis categorias de redes neurais profundas apropriadas para previsão de séries temporais em um framework não linear. Finalmente, iluminamos novas avenidas de pesquisa para modelagem e previsão de séries temporais. Também relatamos software disponibilizado publicamente para os modelos apresentados.