You are on page 1of 14

Freiman, Jos Paulo e Pamplona, Edson de O. Redes Neurais Artificiais na Previso do Valor de Commodity do Agronegcio. V Encuentro Internacional de Finanzas.

Santiago, Chile, 19 a 21 de janeiro de 2005

Redes neurais artificiais na previso do valor de commodity do agronegcio

Abstract: Prediction or forecasting is concerned with using the knowledge of present and past events to make calculated estimates of future events. This is particularly important in Economy, field where we have a dynamic system that inherits nonlinearity through long term trends, seasonal patterns, cyclical movements and irregular factors. In todays business fields, Artificial Neural Networks (ANN) are becoming increasingly popular acting as a tool of prime importance in helping interpret the market. Many neural-net systems have been shown to work well in identifying intricate patterns, learning from experience, reaching some conclusion and making prediction. The main goal of this paper is to show the common characteristics of neural networks and discuss the feasibility of neural-net applications in business fields, particularly agrobusiness, making predictions of commodities prices. Keywords: Artificial neural networks; Forecasting; Business applications.

1. Introduo A previso um fenmeno universal utilizado em atividades cognitivas de baixo nvel como viso e percepo, mas tambm em outras de alto nvel como planejamento e inferncia, bastante utilizadas na rea de Economia e Finanas (SATYADAS, 1994). Considerando-se as dependncias e a natureza temporal dos sistemas dinmicos desta rea, os pesquisadores utilizam o efeito de eventos passados para refletir sobre as previses. A srie temporal um mtodo quantitativo que considera as tendncias, as variaes cclicas e as flutuaes sazonais e irregulares. A relativa estabilidade dos padres sazonais e das tendncias permite uma anlise e previso comparativamente fceis. Foras cclicas definem pontos crticos de alta ou de baixa nas atividades do mercado financeiro. O conjunto de dados que definem um ciclo na rea econmica uma coleo de indicadores que sinalizam retrocesso, avano e coincidncias, exibindo ciclos recorrentes de contrao (recesso), normalizao e expanso. O ntimo relacionamento destes indicadores com a Economia que nos permite exercer a predio nas questes de negcios. A natureza dinmica e a caracterstica extremamente no linear dos dados econmicos restringem o uso das anlises cl ssicas que utilizam sries temporais para previses em Economia. Por outro lado, as redes neurais artificiais tm registrado aplicaes bem sucedidas quando se exigem inferncia de complexas relaes no lineares entre variveis de entrada e de sada.

Histrico

As primeiras informaes sobre a neurocomputao (tcnica baseada no comportamento das clulas nervosas biolgicas) surgiram no incio da dcada de 40. Em 1943, Warren Mc Culloch, psiquiatra e neuroanatomista e Walter Pitts, matemtico, sugeriram a construo

de uma mquina inspirada e baseada no crebro humano, denominada Psychon, a partir de um modelo matemtico (artificial) do neurnio biolgico. Em um primeiro instante este modelo era incapaz de executar uma das principais tarefas que hoje se espera dele: o aprendizado. Donald O. Hebb (1949), escreveu um livro entitulado The Organization of Behaviour (A Organizao do Comportamento) que perseguiu a idia de que o condicionamento psicolgico clssico est presente em qualquer conjunto dos animais pelo fato de que esta uma propriedade de neurnios individuais. Suas idias no eram completamente novas, mas Hebb foi o primeiro a propor uma lei de aprendizagem especfica para as sinapses dos neurnios. Este primeiro e corajoso passo serviu de inspirao para que muitos outros pesquisadores perseguissem a mesma idia e influenciou vrios modelos de redes neurais artificiais (RNA) de destaque na atualidade. Tambm proveniente deste perodo foi a construo do primeiro neurocomputador, denominado Snark, por Marvin Minsky, em 1951. O Snark operava com sucesso a partir de um ponto de partida tcnico, ajustando seus pesos automaticamente. Entretanto, ele nunca executou qualquer funo de processamento de informao interessante, mas serviu de inspirao para as idias de estruturas que o sucederam. O primeiro neurocomputador a obter sucesso (Mark I Perceptron) foi criado por Frank Rosenblatt, Charles Wightman e outros (1958), o qual posteriormente deu origem aos modelos denominados MLP - Multi Layer Perceptron (Perceptron de Mltiplas Camadas). Devido profundidade de seus estudos, suas contribuies tcnicas e sua maneira de pensar, estes cientistas so vistos por muitos como os fundadores da neurocomputao na forma em que a temos hoje. Seu interesse inicial para a criao do Perceptron era o reconhecimento de padres. Alguns outros modelos similares ao Perceptron foram tambm desenvolvidos nesta poca, como o caso do Adaline (Adaptive Linear Element), criado por Bernard Widrow em 1962. Este tipo de elemento de processamento de redes neurais era equipado com uma poderosa lei de aprendizado, que diferente do Perceptron, ainda permanece em uso. Widrow tambm fundou a primeira companhia de hardware de neurocomputadores e componentes. Os modelos do tipo Perceptron, incluindo o Adaline, so baseados no aprendizado supervisionado por correo de erros, uma classe muito importante de RNA, que possui uma larga aplicao na atualidade. Em 1969 os modelos baseados no Perceptron receberam uma dura crtica feita por Minsky e Papert atravs de sua obra Perceptrons: An Introduction to Computational Geometry, em que estes provaram matematicamente que os modelos de redes neurais baseados no Perceptron (redes de um s nvel, o que na poca era o tipo de rede de Perceptrons utilizado), no eram capazes de aprender uma simples funo lgica do tipo Ou Exclusivo (Exclusive Or - XOR). A funo XOR possui um padro de valores de entrada e de sada cuja associao no podia ser aprendida pelos modelos de redes baseados em Perceptron disponveis naquela poca. O impacto da publicao desta obra abalou profundamente as pesquisas realizadas nesta rea de estudos. Um perodo de pesquisas silenciosas seguiu-se at a dcada de 80, quando surgiram novos modelos que deram um renovado impulso s redes neurais, estabelecendo um campo concreto para o renascimento da rea. Em 1982 surgia um modelo importante de rede criado por John Hopfield, renomado fsico de reputao mundial, que se interessou pela neurocomputao e escreveu artigos que percorreram o mundo todo, persuadindo centenas

de cientistas, matemticos e tecnlogos altamente qualificados a se unirem nesta nova rea emergente. O modelo que Hopfield criou era baseado em um tipo de rede diferente dos modelos fundamentados no Perceptron, tratando-se, pois, de uma rede com conexes recorrentes e com um comportamento que tinha por base a competio entre os neurnios, onde o aprendizado era no supervisionado. A dcada de 80 ficou tambm marcada profundamente pelo reaparecimento das redes baseadas em Perceptrons. Isto deveu-se ao desenvolvimento dos computadores, que eram cada vez mais velozes e permitiam realizar melhores simulaes das redes neurais, bem como o desenvolvimento de modelos matemticos que permitiram a soluo do problema apontado por Minsky e Papert. Tambm podemos associar em parte este renascimento das redes neurais ao suposto desencanto com a Inteligncia Artificial clssica. O modelo que permitiu o ressurgimento das redes baseadas em Perceptrons foi o das redes multinvel, onde o novo algoritmo de aprendizado chamado Back-Propagation (Retropropagao) desenvolvido por Rumelhart, Hinton e Williams, em 1986, resolveu em grande parte os problemas de aprendizado existentes at ento. Naquele mesmo ano, foi publicado o clebre livro Parallel Distributed Processing: Explorations in the Microstructures of Cognition por Rumelhart e McClelland, que exerceu uma grande influncia na utilizao da aprendizagem por retropropagao, que emergiu como o algoritmo de aprendizagem mais popular para o treinamento de Perceptons de mltiplas camadas. Este algoritmo permitia realizar o aprendizado por correo de erros em uma rede com mltiplas camadas (nveis) e, conseqentemente, resolveria o problema do XOR. Alm dos modelos de Hopfield e do modelo de redes multinvel com Back-Propagation (chamado de Multi-Layer Perceptron - MLP), outro modelo importante que surgiu nesta dcada foi o modelo de Kohonen, muito interessante, pois permite o aprendizado competitivo com uma auto-organizao da rede neural, criando os chamados mapas de atributos auto-organizveis (self-organizing maps). Por fim, o ltimo modelo de destaque neste perodo, foi o modelo ART (Adaptive Ressonance Theory) criado por Gail Carpenter e Stephen Grossberg. Este modelo possui um aprendizado do tipo no supervisionado, criando prottipos ( lusters) dos padres c aprendidos. O modelo ART teve diversas verses posteriores, entre elas verses do tipo semi-supervisionado e com uso de conceitos de lgica nebulosa (Fuzzy-ART). Os estudos sobre as redes neurais sofreram uma grande revoluo a partir dos anos 80, conforme j citado. A partir da, cada vez mais, esta rea de estudos tem se destacado, seja pelas promissoras caractersticas apresentadas pelos m odelos de redes neurais propostos, ou seja pelas condies tecnolgicas atuais de implementao, que permitem desenvolver arrojadas arquiteturas neurais paralelas em hardwares dedicados, obtendo assim timas performances destes sistemas, bastante superiores aos sistemas convencionais. Em 1987, ocorreu em So Francisco a primeira conferncia de redes neurais em tempos modernos, a IEEE International Conference on Neural Networks, e tambm foi formada a International Neural Networks Society (INNS). A partir destes acontecimentos, decorreram a fundao do INNS Journal em 1989, seguido do Neural Computation e do IEEE Transactions on Neural Networks em 1990. Desde 1987, muitas universidades anunciaram a formao de institutos de pesquisa e programas de educao em neurocomputao.

Fundamentos das redes neurais artificiais

As redes neurais artificiais so ferramentas de Inteligncia Artificial que possuem a capacidade de se adaptar e de aprender a realizar uma certa tarefa, ou comportamento, a partir de um conjunto de exemplos dados (OSRIO & BITTENCOURT, 2000). Na sua forma mais geral, uma rede neural uma mquina que projetada para modelar a maneira como o crebro realiza uma tarefa particular ou funo de interesse; a rede normalmente implementada utilizando-se componentes eletrnicos ou simulada por programao em um computador digital (HAYKIN, 1999). Na figura 1 caracterizamos a computao neural como uma ferramenta alternativa de computao que procura imitar o funcionamento do crebro humano na soluo de problemas de reconhecimento de padres.

REPRODUZIR A

INTELIGNCIA HUMANA

Figura 1 - Computao neural. Fonte: Osrio & Bittencourt (2000)

As redes neurais nada mais so do que ferramentas de aproximao de funes que aprendem a relao entre variveis independentes e dependentes, semelhana da regresso ou outras abordagens mais tradicionais. A principal diferena entre redes neurais e as abordagens estatsticas que as redes neurais no estabelecem hipteses ou suposies sobre a distribuio ou propriedades dos dados, e desta forma tendem a ser mais teis em situaes prticas. As RNAs constituem tambm uma abordagem inerentemente no- linear, fornecendo m preciso quando modelando ais dados de padres complexos. Existem vrios tipos de redes, cada uma com diferentes objetivos, arquitetura e algoritmo de aprendizagem (SMITH & GUPTA, 2000). Uma rede neural formada pela interconexo de um grande nmero de unidades de processamento no linear denominadas neurnios, que tm a propenso natural para armazenar conhecimento experimental e torn- lo disponvel para o uso. Assim, elas devem exibir caractersticas bsicas similares ao comportamento humano, tais como: - Aprendizado : a rede aprende por experincia, atravs de treinamento baseado na apresentao de exemplos; - Associao: a rede capaz de fazer associaes entre padres diferentes; - Generalizao: ela capaz de generalizar por exemplos anteriores, ou seja, responder corretamente a uma entrada nunca vista antes por similaridade aos padres j apresentados. O aprendizado ou treinamento tem como finalidade efetuar os ajustes necessrios nos parmetros da RNA, representados pelos pesos sinpticos. O objetivo desta etapa capacitar a rede a associar um dado de entrada com um grau de semelhana aos exemplos

j apresentados. Entre os algoritmos que estabelecem como e quando as conexes devem ser atualizadas, o back-propagation o mais difundido e ser o ut ilizado neste trabalho. De uma forma geral, a teoria de RNA pode ser dividida em trs tpicos bsicos: a) Elemento processador ou neurnio artificial - elemento bsico, inspirado no neurnio biolgico e constitudo de trs partes fundamentais: pesos sinpticos, que ponderam os valores das entradas do neurnio, regra de propagao, que define como as entradas sero combinadas no neurnio - em geral um somatrio ponderado - e a funo de ativao, que determina o efeito que o resultado da regra de propagao ter sobre o nvel de ativao do neurnio. A figura 2 mostra um modelo simplificado de um neurnio biolgico. Na figura 3 temos o correspondente neurnio artificial.

Corpo ou Soma
Produo de material necessrio ao funcionamento do neurnio

Ncleo
Caractersticas hereditrias

Sinapses
Regula a inibio ou excitao do neurnio

Dendritos
Receptores de informao

Axnio
Transmissor de informaes

Figura 2 . Modelo simplificado de um tipo de neurnio biolgico. Fonte: Falco (2003)

b) Topologia - modo de conexo entre os diferentes neurnios que formam a RNA. O encadeamento de vrios destes neurnios formam as camadas. Em ge ral a rede possui trs ou mais camadas de neurnios, sendo que a primeira recebe o nome de camada de entrada, a ltima a camada de sada e a(s) camada(s) intermediria(s) de camada(s) escondida(s) ou oculta(s). Uma RNA com a topologia (2-4-4-1) indica que ela possui a camada de entrada com 2 elementos processadores, duas camadas intermedirias (ocultas), cada qual com 4 elementos processadores e a camada de sada com apenas 1 elemento processador. O fluxo dos dados conforme o algoritmo back-propagation ocorre em dois sentidos: para frente e para trs. A figura 4 mostra um exemplo de rede com a topologia citada.

Figura 3 - Modelo de um neurnio artificial (elemento processador). Fonte: Osrio & Bittencourt (2000)

c) Aprendizado : processo pelo qual a RNA aprende por meio dos padres a ela apresentados. Os procedimentos de aprendizado (ou treinamento) que levam as RNAs a aprender determinadas tarefas podem ser cla ssificados em duas classes: treinamento supervisionado, onde a rede alimentada por dados de entrada e seus respectivos valores de sada (alvo) e treinamento no supervisionado, que no requer valores de sada, onde a rede agrupa os valores de maior semelhana (clusters).

Camadas intermedirias conexes

Camada de entrada

Camada de sada

Figura 4 - Rede neural com a topologia (2-4-4-1).

Procedimentos estatsticos de previso

Tradicionalmente, dois modelos estatsticos de previso so os mais utilizados: sries temporais e modelos de regresso. O primeiro tipo baseado em dados histricos de uma varivel, em que o princpio reconhecer um padro na srie histrica de dados e extrapol-los para o futuro atravs de um dos mtodos aplicveis aos modelos univariados,

como por exemplo, o mtodo de Box-Jenkins. Modelos de regresso consideram que a varivel a ser prevista tem um relacionamento causa e efeito com uma ou mais variveis independentes. Seu princpio descobrir esta forma de relacionamento ou correlao e utiliz- la na previso da varivel dependente. Como exemplo citamos a regresso mltipla. Com a mesma caracterstica de poder realizar previses, alm de outras possibilidades, as redes neurais artificiais surgem como alternativa ao procedimento estatstico, aproveitando-se de suas caractersticas prprias, como nas situaes em que so exigidas inferncias de relaes no lineares complexas entre as variveis de entrada e de sada de um modelo previsor. 6 Tipos de aplicaes As aplicaes das redes neurais so inmeras, atendendo a diferentes tipos de tarefas, tais como: - reconhecimento de padres (p. ex.: reconhecimento de faces humanas); - classificao de dados (p. ex.: reconhecimento tico de caracteres); - predio (p. ex.: previso de sries temporais, como cotaes em bolsas de valores); - controle de processos e aproximao de funes (p. ex.: robtica); - anlise e processamento de sinais; - filtros contra rudos eletrnicos; - anlise de imagens e de voz; - avaliao de crdito e diversas outras possibilidades, j que as pesquisas na rea esto em contnuo desenvolvimento, surgindo a cada dia novas aplicaes. Neste trabalho, em particular, desejamos destacar as aplicaes das RNAs na rea de economia e finanas. Algumas aplicaes j tradicionais nesta rea so citadas por Smith e Gupta (2000), como se segue: Marketing O objetivo das modernas tcnicas de marketing consiste em identificar clientes que respondam positivamente a um produto e direcionar a propaga nda para estes clientes. Isto envolve uma segmentao do mercado, dividindo-o em grupos distintos de clientes com diferentes hbitos de consumo. Esta segmentao pode ser obtida atravs das RNAs, separando-se a clientela a partir de caractersticas bsicas, tais como, localizao geogrfica, condio scio-econmica, poder aquisitivo e atitude em relao ao produto. Uma vez definida a segmentao, o marketing direto pode ser utilizado para vender o produto sem a necessidade de ao intermediria como propaganda ou promoo. Vendas no varejo Freqentemente faz-se necessria a previso de vendas para que se possa tomar decises sobre estoque, contratao de funcionrios e preo do produto. A utilizao de RNA tem tido muito sucesso na previso de vendas, devido sua habilidade para considerar simultaneamente mltiplas variveis tais como: demanda do mercado pelo produto, capacidade de compra dos consumidores, tamanho da populao e preo do produto. A previso de vendas nos supermercados e centrais de atacadistas tem sido bastante estudada e os resultados tm mostrado bom desempenho, quando comparados tanto com as tcnicas estatsticas tradicionais, como a regresso, quanto com a opinio de especialistas.

Finanas Um dos principais setores da rea de finanas que foram influenciados pelas redes neurais o de comrcio e previses financeiras. As RNAs tm sido aplicadas com sucesso em problemas de preo e hedge de derivativos de seguro, previso de preo futuro para taxa de cmbio e seleo e previso de desempenho de aes. Os bancos tm usado por muito tempo uma tcnica baseada na estatstica para classificar os tomadores de emprstimo. Atualmente, as redes neurais constituem a tcnica bsica para auxiliar na tomada de deciso com respeito ao risco de crdito, bem como na previso de falncia das corporaes. Uma rea promissora a que utiliza RNAs para avaliar as relaes entre a estratgia, desempenho e sade financeira das empresas. Da mesma forma, a sua utilizao j significativa para a deteco de fraudes na utilizao de cartes de crdito e falsificao de assinaturas em cheques.

Seguros Na indstria de seguros, a questo da definio do valor dos prmios tambm pode se beneficiar do uso das RNAs atravs da previso da freqncia dos pedidos de indenizao. Da mesma forma que na rea bancria e em outros setores financeiros, tambm aqui se faz necessria a deteco de fraudes a partir da anlise de circunstncias incomuns. Etapas no desenvolvimento de um modelo de RNA

Para o desenvolvimento de um modelo ou projeto baseado em RNA so necessrias diversas etapas. So elas: definio do problema; coleta dos dados de treinamento e de teste; pr e ps-processamento dos dados; projeto da estrutura da rede; treinamento; teste e validao. Essas diversas etapas esto ilustradas na figura 5. Em termos prticos, as redes neurais so criadas atravs de softwares exclusivamente voltados para este fim ou o projetista poder desenvolver seu prprio cdigo, especfico para o problema. Pode-se ainda utilizar os pacotes comerciais de sistemas simuladores de redes neurais ou mesmo aqueles de domnio pblico.

Figura 5 - Desenvolvimento de um projeto baseado em RNA. Fonte: Thom (2002)

Exemplo de aplicao: previso de commodity do agronegcio.

Como exemplo ilustrativo para este trabalho, ser utilizada a rede neural artificial como instrumento de previso da cotao mdia mensal no mercado interno de um tipo de commodity do agronegcio: a arroba de boi gordo. Foram definidos como referncia (valores-alvo) para esta previso a cotao histrica do produto na praa da regio noroeste de So Paulo, tradicional plo de negociao desse produto no Brasil. Uma vez definido o problema, ser necessrio coletar os dados a serem utilizados no treinamento e no teste da rede. Estes dados iro constituir os conjuntos (matrizes) de treinamento e de teste/validao, devendo incluir uma quantidade de va lores das variveis de entrada e de sada da rede, durante certo perodo. A primeira deciso deve ser: que variveis de entrada utilizar e quantos conjuntos de observaes (cases) que relacionam a entrada e a sada sero utilizados no problema? A escolha das variveis, ao menos inicialmente, levada pela intuio. A experincia do pesquisador no assunto ir nortear esta escolha, buscando selecionar um conjunto significativo para o problema e com a quantidade mnima de variveis, de forma que o desempenho da rede no seja comprometido pela dimensionalidade. Quanto ordem de grandeza dos valores das variveis, sabe-se que a rede neural processa bem os dados numricos em uma faixa limitada, da a necessidade de se fazer um prprocessamento desses dados, objetivando essa padronizao (scaling). As redes neurais so tolerantes a rudos (sinais esprios), mas existem limites para esta tolerncia. Se no conjunto de dados existirem ocasionalmente valores fora da faixa de normalidade (outliers), estes, se possvel, devero ser removidos, de forma a no afetar, pela tendenciosidade (bias), o treinamento.

6.1 Configurao da rede De forma a modelar o problema proposto, ser utilizada uma rede com trs camadas: entrada, oculta e sada, conforme ilustrado na figura 6.

Figura 6 - Modelo de rede neural MLP (Multilayer Perceptron) com trs camadas.

10

6.1.1

Camada de entrada

Esta camada constituda pelo conjunto de variveis, econmicas ou no, que o pesquisador julga serem representativas para o caso estudado. Diante de um amplo conjunto de variveis que podem influir no preo da arroba bovina, optou-se por utilizar as seguintes: - ms da previso; - cotao do ms anterior (@ - 1); - cotao de dois meses atrs (@ - 2); - taxa de inflao do ms anterior (IGPM - 1); - taxa de inflao de dois meses atrs (IGPM - 2); - taxa de juros do ms anterior (Selic - 1). Evidentemente que muitas outras variveis no citadas no conjunto podem influir de forma mais ou menos intensa no preo final da arroba, porm, justifica-se esta escolha pelo fato de supor-se que os fatores econmicos e os ambientais, com suas caractersticas cclicas e de sazonalidade, sejam os mais relevantes e prprios para este caso. 6.1.2 Camada oculta (ou intermediria)

Existem algumas regras clssicas utilizadas na definio da quantidade de elementos da camada oculta. Nesta determinao necessrio evitar-se o under-learning (a rede no alcana um nvel de desempenho aceitvel) ou o over-learning (o erro comea a crescer). Neste ltimo caso, deve-se buscar diminuir o nmero de neurnios ou mesmo o nmero de camadas ocultas, se possvel. Uma rede do tipo MLP com duas camadas ocultas teoricamente suficiente para modelar qualquer tipo de problema. Entretanto, na prtica, redes com uma nica camada oculta so as mais usuais. A quantidade de neurnios a serem utilizados na camada oculta uma questo ainda nebulosa. Como ponto de partida, uma boa referncia prtica utilizar-se uma nica camada com uma quantidade de elementos igual metade da soma do nmero de unidades de entrada e de sada. Um parmetro tambm muito citado em diversos trabalhos o baseado no pressuposto de Hecht-Nielsen/Kolmogorov: Uma rede neural com trs camadas (entrada, oculta e sada) pode modelar qualquer funo matemtica contnua, desde que a camada oculta contenha (2 I + 1) neurnios, onde I o nmero de variveis de entrada. Baseado, ento, na referncia prtica e no pressuposto acima, teremos uma quantidade de neurnios entre 5 e 19 a serem considerados para esta camada, buscando-se atravs do treinamento e simulao, qual ser a quantidade que trar o melhor resultado. Outra questo a ser considerada a funo de transferncia da camada oculta, a qual deve ser no linear, de forma a interpolar uma soluo para qualquer tipo de problema. A funo escolhida foi a sigmoidal (logstica), por sua natureza no linear, assim como tambm pelo fato de sua sada ser formada apenas por valores positivos, tendo em vista que os valores de cotao da commodity tambm o sero, sem exceo. 6.1.3 Camada de sada

Esta camada ter apenas um neurnio, j que na sada a rede fornecer apenas um valor, que a previso para a cotao da arroba de boi gordo do ms desejado. A funo de

11

transferncia desta camada ser a linear. A varivel de sada ter como unidade o dlar norte-americano (US$), por ser uma commodity muito negociada no mercado internacional. A figura 7 mostra o diagrama em bloco da rede proposta, com a indicao dos elementos que constituem as variveis de entrada e de sada.

Figura 7 - Diagrama em blocos da rede proposta.

6.2 Implementao Na caracterizao dos problemas de predio podemos ter duas categorias: classificao e regresso. Como este trabalho busca prever valores, trata-se de um problema tpico de regresso, para cuja tarefa possvel utilizar-se os seguintes tipos de rede neural artificial: MLP (Multilayer Perceptron), RBF (Radial Basis Function), GRNN (Generalized Regression Neural Network) e Linear. Utilizou-se na padronizao dos dados o escore z, que representa o nmero de desvios padro que um valor dista da mdia do conjunto de valores. Para o ms usou-se o sistema binrio. Foram apresentados rede, para treinamento, dados sobre as variveis de entrada e sada correspondentes ao perodo de abril de 1998 at fevereiro de 2004 (matriz de entrada e matriz- alvo). Como teste/validao foram realizadas as previses para os meses de maro at maio de 2004, ou seja, trs meses frente. A seguir, os resultados obtidos foram comparados com os valores reais ocorridos naquele perodo e calculados os erros da previso. fundamental ressaltar que h sempre erro na estimao por simulao. O modelo utilizado neste trabalho foi implementado em um computador com processador Pentium III 1100 MHz, utilizando a toolbox de redes neurais do software MATLAB verso 6.1 (interface grfica). 7 Resultados e concluses

Os melhores resultados para a previso foram os obtidos com a MLP treinada com o algoritmo back-propagation e com os seguintes parmetros: - funo de treinamento: TRAINGDM ; - funo de aprendizagem: LEARNGDM ;

12

n de neurnios na camada oculta: 15 ; n de pocas de treinamento: 3000 ; limite definido para o erro em relao aos valores-alvo (goal): 0,001 ; taxa de aprendizagem: 0,01.

O nmero de pocas de treinamento e o limite para o erro (goal) representam critrios de parada utilizados no treinamento. Como mtodo estatstico de comparao de resultados utilizou-se a Anlise de Re gresso Mltipla (ARM) atravs do software MINITAB. Na anlise dos resduos foi verificada a necessidade de ajuste (reduo) das variveis de entrada e seus valores (outliers) para melhoramento do modelo estatstico (eliminar a multicolinearidade), de forma a se obter resduos idntica e independentemente distribudos. A equao final de regresso com os seus parmetros e o histograma dos resduos esto indicados nas figuras 8 e 9. A tabela 1 mostra os resultados finais da RNA e da ARM. Nota-se um melhor desempenho do modelo estatstico nas duas primeiras previses, o que no significa necessariamente superioridade deste modelo sobre o modelo neural. Os mtodos no so concorrentes e sim complementares. Dependendo da relao entre as variveis, um deles fornecer melhor resultado. Quanto maior for a no- linearidade entre as variveis, h uma tendncia natural para a RNA mostrar uma melhor performance na previso, em relao regresso.

Figura 8 - Equao de regresso.

13

Figura 9 - Histograma dos resduos.

Tabela 1 - Resultados finais da RNA e da ARM.

8.

Bibliografia

ABELM, A. J. G. Redes neurais artificiais na previso de sries temporais. Dissertao de Mestrado - Pontifcia Universidade Catlica, Rio de Janeiro, 1994. BALESTRASSI, P. P. Mtodos de previso usando a srie economtrica de NelsonPlosser: um estudo comparativo. Itajub: EFEI, 2001. FALCO, D. M. Redes neurais. Disponvel em http://www.nacad.ufrj.br/~falcao/. Acesso em 19 maio 2003. HAYKIN, S. Redes neurais: princpios e prticas. Trad. Paulo Martins Engel, 2 ed., Porto Alegre: Bookman, 2001. HEBB, D. O. The organization of behavior. New York: Wiley, 1949. LEHMAN, R. B. ; AMORIM JR., H. P. Redes neurais artificiais aplicadas no estudo e previso de consumo de carga eltrica. XV Seminrio Nacional de Distribuio de Energia Eltrica, 2002.

14

OSRIO, F. ; BITTENCOURT, J. R. Sistemas inteligentes baseados em RNAs aplicados ao processamento de imagens. In: Workshop de Inteligncia Artificial, Santa Cruz do Sul: UNISC, 2000. SATYADAS, A. ; CHEN, H. C. An application of intelligent neural network to time series business fluctuation prediction. IEEE, pp. 3640-3645, 1994. SMITH, K. A. ; GUPTA, J. N. D. Neural networks in business: techniques and applications for the operations researcher. Computers & Operations Research, pp. 10231044, 2000. THOM, A. C. G. Redes neurais: uma ferramenta para KDD e data mining. Disponvel em http://www.labic.nce.ufrj.br. Acesso em 19 maio 2003.

You might also like