Time series forecasting with machine learning models informed by domain knowledge
Year: 2025
Type: dissertation
Abstract: A previsão de séries temporais é uma tarefa crítica em muitos setores, particularmente no setor financeiro. Neste setor a previsão de cashflow é indispensável, uma vez que permite a uma empresa planear e gerir as entradas e saídas de dinheiro de uma forma eficaz. No entanto, esta tarefa pode ser desafiante quando os dados são limitados e/ou de pouca qualidade. Desta forma, esta dissertação tem como objetivo melhorar a previsão de séries temporais, particularmente o cashflow, através da integração do conhecimento de domínio em modelos de machine learning. Inicialmente, foram exploradas várias abordagens para integrar o conhecimento de domínio nos modelos de previsão. Estas técnicas incluíam a integração de conhecimento, ou alterar a função de perda, ou treinar um modelo para aprender as relações hierárquicas entre variáveis, ou utilizar propriedades adicionais acerca das variáveis, denominadas por meta-features. No entanto, devido à complexidade e incerteza envolvidas na tradução desse conhecimento para uma forma que o modelo pudesse aprender, foi adotada uma abordagem mais prática. Foi utilizada uma arquitetura de Neural ODE (Ordinary Differential Equation) na tentativa de aprender as dinâmicas temporais dos dados; no entanto, mostrou-se insuficiente por si só ao aprender dinâmicas mais complexas. Face a estes resultados, foi necessária uma arquitetura mais complexa. A arquitetura ODE-GRU, que combina a Neural ODE com a estrutura recorrente da GRU (Gated Recurrent Unit). Esta arquitetura foi capaz de aprender dinâmicas mais complexas, capturando também dependências a longo prazo nos dados. O objetivo final foi comparar os modelos com e sem conhecimento de domínio, de forma a avaliar a eficácia da incorporação do conhecimento de domínio na melhoria do desempenho dos modelos. Os resultados indicaram que, no contexto do conjunto de dados utilizado, a integração do conhecimento do domínio não conduziu a melhorias significativas no desempenho do modelo. Este resultado pode dever-se ao facto de o histórico de dados disponíveis ser limitado, salientando a importância de um conjunto de dados com um registo histórico mais longo para se obter melhores resultados em estudos futuros.
Language: Portuguese
Field: Decision Sciences
Domain: Social Sciences
Open Access status: green
OpenAlex ID: W7170119064