ResumoNeste artigo, é proposta uma metodologia híbrida para se combinar previsões de séries temporais (estocásticas) chamada de Combinação Linear Wavelet (CLW) SARIMA-RNA com Estágios Múltiplos. Primeiramente, é feita a decomposição wavelet de nível p, gerando-se p+1 (aproximações das) componentes wavelet (CWs). Em seguida, as CWs são individualmente modeladas por meio de um modelo de Box e Jenkins e de uma rede neural artificial -a fim de se capturar, respectivamente, estruturas lineares e não-lineares plausíveis de autodependência -para, em seguida, serem linearmente combinadas, fornecendo previsões híbridas para cada uma. Por fim, as referidas são linearmente combinadas pela CLW de previsões (a ser definida). Para avaliá-la, utilizaram-se modelos de Box e Jenkins (BJ), redes neurais artificiais (RNA) e sua tradicional Combinação Linear (CL1) de previsões; e RNA integrado com a decomposição wavelet (RNA-WAVELET), modelo BJ integrado com decomposição wavelet (BJ-WAVELET) e sua tradicional Combinação Linear (CL2) de previsões. Todos os métodos preditivos aplicados à série temporal mensal de vazão média de afluentes da barragem da Usina de Itaipu, localizada em Foz do Iguaçu, Brasil. Em todas as análises, a metodologia híbrida proposta obteve desempenho preditivo superior que as outras. Palavras-chaves: Séries Temporais. Decomposição Wavelet. Modelos de Box e Jenkins. Redes Neurais Artificiais. Combinação Linear de Previsões.
AbstractIn this paper, we put forward a hybrid methodology for combining forecasts to (stochastic) time series referred to as Wavelet Linear Combination (WLC) SARIMA-RNA with Multiple Stages. Firstly, the wavelet decomposition of level p is performed, generating (approximations of the) p+1 wavelet components (WCs). Then, the WCs are individually modeled by means of a Box and Jenkins' model and an artificial neural network -in order to