Modelos de redes neurais recorrentes para previsão de series temporais de memorias curta e longa

E de grande interesse o estudo de previsao de series temporais, ou seja, conseguir identificar caracteristicas do processo num ponto futuro. Para isso, e necessario estimar com precisao, ou pelo menos com uma boa aproximacao, o processo gerador dos dados. Nos ultimos anos, modelos de redes neurais artificiais vem desempenhando um papel crescente na abordagem e solucao de problemas estatisticos importantes. A estrutura mais basica de rede neural, as redes progressivas ou feedforward, sem retroalimentacao, tem se mostrado uma alternativa vantajosa, em alguns casos, em relacao aos modelos lineares tradicionais. No entanto, algumas series apresentam caracteristicas que permitem introduzir algum tipo de realimentacao na rede. Tal rede chamada de rede neural recorrente, ferramenta ainda pouco explorada pela comunidade estatistica. Sao dois os principais objetivos da dissertacao. Primeiro, o estudo de redes neurais recorrentes para predicao de series temporais, o que compreende sua fundamentacao teorica, principais arquiteturas e algoritmos de aprendizagem e sua implementacao computacional. Segundo, estudo comparativo da performance preditiva dessas redes para series temporais, tanto no caso de series temporais de memoria curta quanto de memoria longa, tomando-se como referencia modelos padrao tipo ARIMA e ARFIMA. Sao utilizadas series espaciais (dados de variaveis do solo) e series temporais (series de inflacoes de paises desenvolvidos). Os resultados mostram que o uso das redes para predicao e vantajoso em relacao a modelos lineares para diversas series. Tambem e desenvolvido um novo modelo (redes neurais com pesos variaveis) e seu correspondente algoritmo de estimacao baseado nas caracteristicas dos dados Abstract