Dissertations / Theses on the topic 'SARIMAX models'

Financial inclusion is a public policy objective that fosters development through access to financial services for all. Financial inclusion can be defined as access, usage and quality of financial services. Inclusion of individuals and small enterprises has made considerable progress but it has also reached excesses in some situations. Regulatory changes and technological innovation have helped the expansion of financial services. Our contribution to the literature is threefold. First, we expand the large body of research that focuses on financial inclusion based on access to credit, through our analysis of payments. We provide an unique analysis of the quality dimension of payments, which we define as a catalyst between the access and usage dimensions. Second, we provide a detailed analysis of the Brazilian payment market, which transacts close to $400bn per year, in the scarce literature on developing countries. Third, we isolate the determinants of electronic payments through statistical methods, including a principal component analysis and auto regressive models (SARIMA, SARIMAX), which have not yet been used by researchers. We find that four macro characteristicshave a strong explanatory power: bank credit card lending, active population, retail sales and cash-in-circulation. Suprisingly, we find that cash-in-circulation presents a positive relationship with electronic payments, suggesting a possible distrust of citizens towards the banking system, high levels of informality, and shedding a new light on the precautionary principle described by Keynes. Our analysis is based on monthly deflated card payment data for Brazil from January 2007 to March 2017.
A Inclusão financeira é um objetivo de política pública que procura desenvolvimento através do acesso de todos aos serviços financeiros. Esse conceito pode ser definido com as suas três dimensões de acesso, uso e qualidade dos serviços. A inclusão de indivíduos e empresas conheceu uma melhora significativa, e em algum casos, apresentou excessos. Adaptações regulatórias e inovação tecnológica serviram de pano de fundo para a inclusão. Apresentamos as três contribuições da nossa pesquisa. Primeiro, existe ampla literatura sobre inclusão financeira com foco em crédito, e apresentamos um estudo original sobre pagamentos e sua dimensão de qualidade, definida como o catalisador entre acesso e uso. Segundo: nossa pesquisa apresenta uma análise única do setor de pagamentos no Brasil, um setor com faturamento de mais de R$1.2 trilhões de reais anuais, no âmbito da escassa literatura sobre economias em desenvolvimento. A terceira contribuição apresenta os determinantes dos meios de pagamentos eletrônicos, usando modelos estatísticos originais, como componentes principais e modelos auto regressivos (SARIMA, SARIMAX), que não tinham sido usados na literatura de inclusão financeira. Identificamos quatro características com significância para explicar meios eletrônicos: crédito bancário, população ativa, vendas do varejo e dinheiro em posse das famílias. De maneira surpreendente, dinheiro em posse das famílias apresentou correlação positiva com meios eletrônicos, sinalizando uma desconfiança dos consumidores com o setor bancário ou um maior grau de informalidade da economia brasileira, e trazendo uma interpretação original ao princípio de precaução descrito por Keynes. Nossa pesquisa se baseou em dados agregados e deflacionados de pagamentos para o Brasil entre Janeiro de 2007 e Março de 2017.

In this Master Thesis there are summarized basic methods for modelling time series, such as linear regression with seasonal dummy variables, exponential smoothing and SARIMA processes. The thesis is aimed on modelling and forecasting seasonal time series using these methods. Goals of the Thesis are to introduce and compare these methods using a set of 2184 seasonal time series followed by evaluation their prediction abilities. The main benefit of this Master Thesis is understanding of different aspects of forecasting time series and empirical verification of advantages and disadvantages these methods in field of creating predictions.

Inflation is one of the most important macroeconomic variables. It is vital that policy makers receive accurate forecasts of inflation so that they can adjust their monetary policy to attain stability in the economy which has been shown to lead to economic growth. The purpose of this study is to model inflation and evaluate if applying the Kalman filter to SARIMA models lead to higher forecast accuracy compared to just using the SARIMA model. The Box-Jenkins approach to SARIMA modelling is used to obtain well-fitted SARIMA models and then to use a subset of observations to estimate a SARIMA model on which the Kalman filter is applied for the rest of the observations. These models are identified and then estimated with the use of monthly inflation for Luxembourg, Mexico, Portugal and Switzerland with the target to use them for forecasting. The accuracy of the forecasts are then evaluated with the error measures mean squared error (MSE), mean average deviation (MAD), mean average percentage error (MAPE) and the statistic Theil's U. For all countries these measures indicate that the Kalman filtered model yield more accurate forecasts. The significance of these differences are then evaluated with the Diebold-Mariano test for which only the difference in forecast accuracy of Swiss inflation is proven significant. Thus, applying the Kalman filter to SARIMA models with the target to obtain forecasts of monthly inflation seem to lead to higher or at least not lower predictive accuracy for the monthly inflation of these countries.

Wind is a fluctuating source of energy and, therefore, it can cause several technical impacts. These can be tackled by forecasting wind speed and thus wind power. The introduction of several statistical models in this field of research has brought to light promising results for improving wind speed predictions. However, there is not converging evidence on which is the optimal method. Over the last three decades, significant research has been carried out in the field of short-term forecasting using statistical models though less work focuses on longer timescales. The first part of this work concentrated on long-term wind speed variability over the UK. Two subsets have been used for assessing the variability of wind speed in the UK on both temporal and spatial coverage over a period representative of the expected lifespan of a wind farm. Two wind indices are presented with a calculated standard deviation of 4% . This value reveals that such changes in the average UK wind power capacity factor is equal to 7%. A parallel line of the research reported herein aimed to develop a novel statistical forecasting model for generating monthly mean wind speed predictions. It utilised long-term historic wind speed records from surface stations as well as reanalysis data. The methodology employed a SARIMAX model that incorporated monthly autocorrelation of wind speed and seasonality, and also included exogenous inputs. Four different cases were examined, each of which incorporated different independent variables. The results disclosed a strong association between the independent variables and wind speed showing correlations up to 0.72. Depending on each case, this relationship occurred from 4- up to 12-month lags. The inter comparison revealed an improvement in the forecasting accuracy of the proposed model compared to a similar model that did not take into account exogenous variables. This finding demonstrates the indisputable potential of using a SARIMAX for long-term wind speed forecasting.

Thesis: M. Eng. in Advanced Manufacturing and Design, Massachusetts Institute of Technology, Department of Mechanical Engineering, September, 2018
Cataloged from the PDF version of thesis.
Includes bibliographical references (pages 43-44).
Drinkworks is a joint venture between Anheuser-Busch InBev and Keurig Green Mountain, with a focus on developing an in-home alcohol system that can prepare different alcoholic beverages. The goal of this project is to forecast the demand for their new product, consisting of appliance and pods, without historical data. For appliance forecast, this paper focuses on an operational level model, SARIMA, which is a time series analysis that considers seasonality and has high accuracy in forecasting. The SARIMA model is implemented with grid search in Python via a demand planning tool, which saves client's time. Weighted consumption rate will be utilized with number of appliance sold to forecast future pods sales. SARIMA model proved to be an effective approach for appliance forecast within client's expectation. A systematic way to forecast pods is also proposed and demonstrated. It is hoped that the results presented here can serve as a basis and help the client with their new product launch.
by Yangyang Li.
M. Eng. in Advanced Manufacturing and Design
M.Eng.inAdvancedManufacturingandDesign Massachusetts Institute of Technology, Department of Mechanical Engineering

In this paper two different models for forecasting the number of monthly departing passengers from Sweden to any international destination are developed and compared. The Swedish transport agency produces forecasts on a yearly basis, where net export is the only explanatory variable controlled for in the latest report. More profound studies have shown a relevance of controlling for variables such as unemployment rate, oil price and exchange rates. Due to the high seasonality within passenger flows, these forecasts are based on monthly or quarterly data. This paper shows that a seasonal autoregressive integrated moving average model with exogenous input outperforms the benchmark model forecast in seven out of nine months. Thus, controlling for oil price, the SEK/EUR exchange rate and the occurrence of Easter reduces the mean absolute percentage error of the forecasts from 3,27 to 2,83 % on Swedish data.

Ghana faces a macroeconomic problem of inflation for a long period of time. The problem in somehow slows the economic growth in this country. As we all know, inflation is one of the major economic challenges facing most countries in the world especially those in African including Ghana. Therefore, forecasting inflation rates in Ghana becomes very important for its government to design economic strategies or effective monetary policies to combat any unexpected high inflation in this country. This paper studies seasonal autoregressive integrated moving average model to forecast inflation rates in Ghana. Using monthly inflation data from July 1991 to December 2009, we find that ARIMA (1,1,1)(0,0,1)12 can represent the data behavior of inflation rate in Ghana well. Based on the selected model, we forecast seven (7) months inflation rates of Ghana outside the sample period (i.e. from January 2010 to July 2010). The observed inflation rate from January to April which was published by Ghana Statistical Service Department fall within the 95% confidence interval obtained from the designed model. The forecasted results show a decreasing pattern and a turning point of Ghana inflation in the month of July.

In recent years, many research works such as Tiao and Tsay (1994), Stock and Watson (1999), Chen et al. (2001), Clements and Jeremy (2001), Marcellino (2002), Laurini and Vieira (2005) and others have described the dynamic features of many macroeconomic variables as nonlinear. Using the approach of Keenan (1985) and Tsay (1989) this study shown that Ghana inflation rates from January 1980 to December 2009 follow a threshold nonlinear process.  In order to take into account the nonlinearity in the inflation rates we then apply a two regime nonlinear SETAR model to the inflation rates and then study both in-sample and out-of-sample forecast performance of this model by comparing it with the linear SARIMA model. Based on the in-sample forecast assessment from the linear SARIMA and the nonlinear SETAR models, the forecast measure MAE and RMSE suggest that the nonlinear SETAR model outperform the linear SARIMA model. Also using multi-step-ahead forecast method we predicted and compared the out-of-sample forecast of the linear SARIMA and the nonlinear SETAR models over the forecast horizon of 12 months during the period of 2010:1 to 2010:12. From the results as suggested by MAE and RMSE, the forecast performance of the nonlinear SETAR models is superior to that of the linear SARIMA model in forecasting Ghana inflation rates. Thought the nonlinear SETAR model is superior to the SARIMA model according to MAE and RMSE measure but using Diebold-Mariano test, we found no significant difference in their forecast accuracy for both in-sample and out-of-sample.

The present dissertation deals with an analysis of monthly time series of average temperatures and precipitation sums recorded at 44 sites in the Czech Republic over the period of 1961--2008. The main research purpose is to acquire deeper knowledge of regularities in the climatic time series development, using an appropriate set of statistical methods. A secondary objective is to search and find correlations between the research outcomes and basic geographic coordinates (altitude, longitude and latitude) of particular measurement stations and comparing all the results achieved for the selected climatic elements. There are two major contributions of this work. In the first place, it presents new knowledge in the field of climatic time series, particularly in connection with the strength and development of their seasonal component, further for instance analysing the relation between the distribution of a residual component and the geographic coordinates of the measurement stations. Another contribution lies in an extensive application of statistical methods of climatic time series analysis. Several types of methods were used, having employed both widely and rarely applied statistical tools (linear trends analysis and Box-Jenkins methodology respectively) as well as those used for the very first time (moving-seasonal time series).

El aumento del aporte energético por parte de las centrales eólicas dentro de la matriz de energías renovables no convencionales de Chile, crea la imperiosa necesidad de desarrollar herramientas que ayuden a gestionar el funcionamiento de parques eólicos, y en particular de los aerogeneradores que lo componen, con el fin de hacer más eficiente la integración y manejo en el sistema interconectado. En esta línea, el propósito de este trabajo es desarrollar un modelo predictivo para la potencia generada en un aerogenerador en base a series de tiempo históricas de variables atmosféricas del lugar donde éste se encuentra. El trabajo de memoria presenta los resultados de la implementación de un modelo SARIMA (siglas en inglés de Seasonal Auto Regressive Integrated Moving Average) y un modelo de persistencia, para predicción de velocidad de viento a horizontes de tiempo de uno y cinco pasos en una escala de tiempo de una hora por cada paso, resultados que luego son transformados a potencia eléctrica por medio de la curva de potencia del aerogenerador considerado. La investigación conecta los campos de la física, generación de energía y de teoría de estimación. Mientras que el primero aporta las ecuaciones con las cuales se describe el viento en la atmósfera y el segundo aporta la base técnica con la cual se relaciona la velocidad del viento con la potencia generada por un aerogenerador, el tercero entrega las herramientas para poder realizar predicción a distintos horizontes por medio de series de tiempo. Por ello, el reporte comienza por los fundamentos físicos que describen la velocidad del viento en la atmósfera, para seguir con los principios técnicos de un aerogenerador y continúa mencionando técnicas utilizadas en el ámbito de la predicción. Además, se trabaja con datos muestreados durante el año 1990 en la localidad de Punta Lengua de Vaca y que fueron obtenidos por el proyecto EOLO del Departamento de Geofísica de la Universidad de Chile. Los resultados de este trabajo permitieron conocer las limitaciones, ventajas y desventajas que poseen tanto el modelo de persistencia como los modelos SARIMA en el ámbito de predicción. En la misma línea, se cuantificó por medio de indicadores de desempeño la exactitud en las predicciones realizadas usando ambos modelos, para finalmente compararlos bajo distintos horizontes de predicción y usando datos de distintos lugares. Finalmente se concluye que el modelo SARIMA puede ser utilizado para predicción de potencia generada en un aerogenerador y que, en comparación con el modelo de persistencia, presenta mejores resultados en predicción a cinco pasos, pero no así en el caso de predicción a un paso, donde la relación se invierte.

Submitted by Maria Medeiros (maria.dilva1@ufcg.edu.br) on 2018-08-13T15:28:50Z No. of bitstreams: 1 POLLYANNA KELLY DE OLIVEIRA SILVA - TESE (PPGMet) 2017.pdf: 11004478 bytes, checksum: 0d5e098181f432beffc2fd8155027f1e (MD5)
Made available in DSpace on 2018-08-13T15:28:50Z (GMT). No. of bitstreams: 1 POLLYANNA KELLY DE OLIVEIRA SILVA - TESE (PPGMet) 2017.pdf: 11004478 bytes, checksum: 0d5e098181f432beffc2fd8155027f1e (MD5) Previous issue date: 2017-08-30
CNPq
O vento como fonte para geração de energia elétrica é analisado neste trabalho através de sua variabilidade e da obtenção de previsões de curto prazo para o ano de 2010, período de atuação de El Niño-Oscilação Sul (ENOS) moderado. Modelos de séries temporais propostos por Box-Jenkins e o indicador de desempenho de predição MMREE são usados para obter as melhores estimativas da velocidade do vento com base nas séries observadas. São utilizados dados anemométricos do Projeto SONDA situado às margens do Rio São Francisco em Petrolina – PE, e de dois parques eólicos localizados no litoral do Estado do Ceará: Quixaba (litoral leste), na cidade de Aracati, e Lagoa Seca (litoral oeste), na cidade de Acaraú. O ciclo diário do vento tem velocidades mais baixas (altas) no período da madrugada-início da manhã (pela manhã e final da noite, com exceção do litoral oeste, cujas máximas ocorrem no final da tarde). Um cisalhamento vertical negativo, no vento local, é observado em períodos distintos do dia nas três áreas de estudo. No Ceará ele ocorre no período da manhã (início da tarde e meio da noite) no litoral leste (oeste) e no Lago de Sobradinho durante a noite até o início da manhã. Foi observado que no litoral leste os ventos são mais fortes, provavelmente devido à curvatura côncava do litoral. As estimativas da velocidade do vento no horizonte de 24 horas pelo modelo SARIMA, com dados horários dos 30 dias anteriores ao dia da previsão para treino (Caso 2), mostraram redução nos erros e melhora significativa na série estimada no período da madrugada-início da manhã; no Lago de Sobradinho essas estimativas são mais precisas, quando comparadas àquelas feitas com base em toda a série de dados (Caso 1). Os resultados indicam que o modelo SARIMA com período de entrada de dados menor pode ser aplicado para a previsão da velocidade do vento em áreas de potencial eólico, dando suporte ao operador da rede elétrica na programação da geração despachável para o dia seguinte.
The wind as a source for power generation is analyzed in this work by means of its variability and short-range wind forecasts for the year of 2010, period of moderate El Niño-Southern Oscillation (ENSO). Time series models proposed by Box-Jenkins and the indicator of forecast accuracy MMREE are used to obtain the best wind speed estimates based on the observed series. Anemometric data of the SONDA Project located on the shore of the São Francisco River in Petrolina-PE, and of two wind power plants located on the coast of the Ceará State, Quixaba (east coast), in the city of Aracati, and Lagoa Seca (west coast), in the city of Acaraú, are used. The daily wind cycle has lower (higher) speeds in late night-early morning (in the morning and end of the night, with exception of the west coast, whose maxima occur in late afternoon). A negative vertical shear in the local wind is observed in distinct periods of the day in the three study areas. In Ceará it occurs in the morning (early afternoon and middle of the night) on the east (west) coast and on Sobradinho Lake at night until early in the morning. It was observed that the winds are stronger on the east coast, probably due to the coast’s concave curvature. The wind speed estimates in a 24-hour horizon by the SARIMA model, with hourly data of the 30 days that precede the forecast day for training (Case 2), showed reduction in the errors and significant improvement in the estimated series in late night-early morning; in Sobradinho Lake these estimates are more accurate, as compared to the estimates based on the entire data series (Case 1). The results indicate that the SARIMA model with horter time series as input may be applied to forecast wind speed in areas of eolic potential, giving support to the system operator in programming the dispatchable distributed generation for the next day.

Made available in DSpace on 2014-06-12T17:16:37Z (GMT). No. of bitstreams: 2 arquivo2907_1.pdf: 634979 bytes, checksum: 330e453c0db3f5452e436a3247c47be0 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2009
Esta dissertação tem como principal objetivo apresentar os modelos de previsão de arrecadação do ICMS, por segmento econômico, para a Secretaria da Fazenda do Estado de Pernambuco, utilizando as técnicas econométricas. Objetiva-se, com essa pesquisa, disponibilizar aos gestores púbicos do Estado mais um modelo de previsão consistente e com certo grau de confiabilidade. Para tanto, utilizou-se da metodologia Box-Jenkins, mais especificamente os modelos: ARIMA - modelo autorregressivo integrado de média móvel, e SARIMA - modelo autorregressivo integrado de média móvel sazonal, e o software RATS (Regression Analyse Time Series). O trabalho apresenta o comportamento da arrecadação de ICMS no Estado e uma revisão da literatura, onde são abordados os principais conceitos teóricos utilizados, bem como uma análise dos resultados obtidos. Conclui-se que o modelo de previsão utilizando séries temporais, em função de sua capacidade preditiva, pode se transformar em um valioso instrumento para auxiliar na elevação da receita tributária no Estado de Pernambuco, dentro da capacidade contributiva de cada contribuinte

Background To provide a reliable forecast of a disease is one of the main purpose of public health surveillance system. Basic information obtained from data collection can provide the nature knowledge of and the history pattern of a disease. In public health surveillance system, a lot of data are time series, especially for infectious diseases. SARIMA method and DLM method are both applicable tools for time series data analysis. Hong Kong has a relative low mumps prevalence. And the prevalence followed an increasing trend until 2004and kept stable after 2006. However, outbreaks may be also occurred occasionally in developed countries. Method This paper constructs SARIMA models and DLM models of monthly cases of mumps in Hong Kong based on 7 different modeling periods respectively. Then these models were used to predicting the mumps cases in each corresponding forecasting period. The forecasting performance of SARIMA models and DLM models are compared with visualization of the predicting values and three forecasting error measures: MAD, MSE, and MAPE. A forecasting of mumps cases during 2013. 07 and 2014.06 will be made with the method with better forecasting performance of mumps cases in Hong Kong Result For intervals 2009. 01 to 2009. 02, 2011. 01 to 2011. 12, and 2012. 01 to 2012. 12, the forecasts of DLM models have smaller forecasting error measures and are more closely to the real observed values. And the visualization predicting values of SARIMA and DLM models are closely for forecasting intervals 2008 and 2010, where SARIMA forecasts own smaller forecasting error measures. Compare with that based on fitting period 1997 to 2012, the forecasts obtained by the SARIMA model based on fitting period 2006 to 2012 are more close to the real observations. Both SARIMA models and DLM models based on fitting period 1997 to 2003 underestimate the observed value of 2004. 05 to 2004. 12. Conclusion DLM modeling method presents a better performance on forecasting the monthly cases of mumps in Hong Kong. And DLM method is more appropriate to be applied on the analysis of time series with count data and the research of diseases with small counts. And both SARIMA and DLM method are appropriate for analyses based on long time trend. But they are not appropriate to be applied as short time monitor tools. From the result of time series decomposition analysis result the mumps cases had a seasonal pattern, and shows that between July and the next January, the seasonal impact will contribute to the increase of case number of mumps. So it is highly suggest to recommend people under risk to practice more prevention measures to protect them against mumps infectious during that period.
published_or_final_version
Public Health
Master
Master of Public Health

TESIS DE LICENCIATURA
Se analiza la relación que existe entre la inflación y la incertidumbre inflacionaria a fin de probar el cumplimiento de las hipótesis propuestas por los distintos autores que hacen referencia al estudio de estas variables económicas. El objetivo del estudio es estimar a través de modelos econométricos híbridos el comportamiento que tiene la aplicación de un modelo de metas de inflación para cuatro países del Sureste Asiático (Corea Filipinas, Indonesia y Tailandia), así como evaluar tres países de esta misma región (Hong Kong, Malasia y Singapur) que aplican otro instrumento para la estabilización de los precios en su economía.

[ES] La diabetes es un importante problema de salud mundial, siendo una de las enfermedades no transmisibles más graves después de las enfermedades cardiovasculares, el cáncer y las enfermedades respiratorias crónicas. La prevalencia de la diabetes ha aumentado constantemente en las últimas décadas, especialmente en países de ingresos bajos y medios. Se estima que 425 millones de personas en todo el mundo tenían diabetes en 2017, y para 2045 este número puede aumentar a 629 millones. Alrededor del 10% de las personas con diabetes padecen diabetes tipo 1, caracterizada por una destrucción autoinmune de las células beta en el páncreas, responsables de la secreción de la hormona insulina. Sin insulina, la glucosa plasmática aumenta a niveles nocivos, provocando complicaciones vasculares a largo plazo. Hasta que se encuentre una cura, el manejo de la diabetes depende de los avances tecnológicos para terapias de reemplazo de insulina. Con la llegada de los monitores continuos de glucosa, la tecnología ha evolucionado hacia sistemas automatizados. Acuñados como "páncreas artificial", los dispositivos de control de glucosa en lazo cerrado suponen hoy en día un cambio de juego en el manejo de la diabetes. La investigación en las últimas décadas ha sido intensa, dando lugar al primer sistema comercial a fines de 2017, y muchos más están siendo desarrollados por las principales industrias de dispositivos médicos. Sin embargo, como dispositivo de primera generación, muchos problemas aún permanecen abiertos y nuevos avances tecnológicos conducirán a mejoras del sistema para obtener mejores resultados de control glucémico y reducir la carga del paciente, mejorando significativamente la calidad de vida de las personas con diabetes tipo 1. En el centro de cualquier sistema de páncreas artificial se encuentra la predicción de glucosa, tema abordado en esta tesis. La capacidad de predecir la glucosa a lo largo de un horizonte de predicción dado, y la estimación de las tendencias futuras de glucosa, es la característica más importante de cualquier sistema de páncreas artificial, para poder tomar medidas preventivas que eviten por completo el riesgo para el paciente. La predicción de glucosa puede aparecer como parte del algoritmo de control en sí, como en sistemas basados en técnicas de control predictivo basado en modelo (MPC), o como parte de un sistema de supervisión para evitar episodios de hipoglucemia. Sin embargo, predecir la glucosa es un problema muy desafiante debido a la gran variabilidad inter e intra-sujeto que sufren los pacientes, cuyas fuentes solo se entienden parcialmente. Esto limita las prestaciones predictivas de los modelos, imponiendo horizontes de predicción relativamente cortos, independientemente de la técnica de modelado utilizada (modelos fisiológicos, basados en datos o híbridos). La hipótesis de partida de esta tesis es que la complejidad de la dinámica de la glucosa requiere la capacidad de caracterizar grupos de comportamientos en los datos históricos del paciente que llevan naturalmente al concepto de modelado local. Además, la similitud de las respuestas en un grupo puede aprovecharse aún más para introducir el concepto clásico de estacionalidad en la predicción de glucosa. Como resultado, los modelos locales estacionales están en el centro de esta tesis. Se utilizan varias bases de datos clínicas que incluyen comidas mixtas y ejercicio para demostrar la viabilidad y superioridad de las prestaciones de este enfoque.
[CAT] La diabetisés un important problema de salut mundial, sent una de les malalties no transmissibles més greus després de les malalties cardiovasculars, el càncer i les malalties respiratòries cròniques. La prevalença de la diabetis ha augmentat constantment en les últimes dècades, especialment en països d'ingressos baixos i mitjans. S'estima que 425 milions de persones a tot el món tenien diabetis en 2017, i per 2045 aquest nombre pot augmentar a 629 milions. Al voltant del 10% de les persones amb diabetis pateixen diabetis tipus 1, caracteritzada per una destrucció autoimmune de les cèl·lules beta en el pàncrees, responsables de la secreció de l'hormona insulina. Sense insulina, la glucosa plasmàtica augmenta a nivells nocius, provocant complicacions vasculars a llarg termini. Fins que es trobi una cura, el maneig de la diabetis depén dels avenços tecnològics per a teràpies de reemplaçament d'insulina. Amb l'arribada dels monitors continus de glucosa, la tecnologia ha evolucionat cap a sistemes automatitzats. Encunyats com "pàncrees artificial", els dispositius de control de glucosa en llaç tancat suposen avui dia un canvi de joc en el maneig de la diabetis. La investigació en les últimes dècades ha estat intensa, donant lloc al primer sistema comercial a finals de 2017, i molts més estan sent desenvolupats per les principals indústries de dispositius mèdics. No obstant això, com a dispositiu de primera generació, molts problemes encara romanen oberts i nous avenços tecnològics conduiran a millores del sistema per obtenir millors resultats de control glucèmic i reduir la càrrega del pacient, millorant significativament la qualitat de vida de les persones amb diabetis tipus 1. Al centre de qualsevol sistema de pàncrees artificial es troba la predicció de glucosa, tema abordat en aquesta tesi. La capacitat de predir la glucosa al llarg d'un horitzó de predicció donat, i l'estimació de les tendències futures de glucosa, és la característica més important de qualsevol sistema de pàncrees artificial, per poder prendre mesures preventives que evitin completament el risc per el pacient. La predicció de glucosa pot aparèixer com a part de l'algoritme de control en si, com en sistemes basats en técniques de control predictiu basat en model (MPC), o com a part d'un sistema de supervisió per evitar episodis d'hipoglucèmia. No obstant això, predir la glucosa és un problema molt desafiant degut a la gran variabilitat inter i intra-subjecte que pateixen els pacients, les fonts només s'entenen parcialment. Això limita les prestacions predictives dels models, imposant horitzons de predicció relativament curts, independentment de la tècnica de modelatge utilitzada (models fisiològics, basats en dades o híbrids). La hipòtesi de partida d'aquesta tesi és que la complexitat de la dinàmica de la glucosa requereix la capacitat de caracteritzar grups de comportaments en les dades històriques del pacient que porten naturalment al concepte de modelatge local. A més, la similitud de les respostes en un grup pot aprofitar-se encara més per introduir el concepte clàssic d'estacionalitat en la predicció de glucosa. Com a resultat, els models locals estacionals estan al centre d'aquesta tesi. S'utilitzen diverses bases de dades clíniques que inclouen menjars mixtes i exercici per demostrar la viabilitat i superioritat de les prestacions d'aquest enfocament.
[EN] Diabetes is a significant global health problem, one of the most serious noncommunicable diseases after cardiovascular diseases, cancer and chronic respiratory diseases. Diabetes prevalence has been steadily increasing over the past decades, especially in low- and middle-income countries. It is estimated that 425 million people worldwide had diabetes in 2017, and by 2045 this number may rise to 629 million. About 10% of people with diabetes suffer from type 1 diabetes, characterized by autoimmune destruction of the beta-cells in the pancreas, responsible for the secretion of the hormone insulin. Without insulin, plasma glucose rises to deleterious levels, provoking long-term vascular complications. Until a cure is found, the management of diabetes relies on technological developments for insulin replacement therapies. With the advent of continuous glucose monitors, technology has been evolving towards automated systems. Coined as "artificial pancreas", closed-loop glucose control devices are nowadays a game-changer in diabetes management. Research in the last decades has been intense, yielding a first commercial system in late 2017 and many more are in the pipeline of the main medical devices industry. However, as a first-generation device, many issues still remain open and new technological advancements will lead to system improvements for better glycemic control outputs and reduced patient's burden, improving significantly the quality of life of people with type 1 diabetes. At the core of any artificial pancreas system is glucose prediction, the topic addressed in this thesis. The ability to predict glucose along a given prediction horizon, and estimation of future glucose trends, is the most important feature of any artificial pancreas system, in order to be able to take preventive actions to entirely avoid risk to the patient. Glucose prediction can appear as part of the control algorithm itself, such as in systems based on model predictive control (MPC) techniques, or as part of a monitoring system to avoid hypoglycemic episodes. However, predicting glucose is a very challenging problem due to the large inter- and intra-subject variability that patients suffer, whose sources are only partially understood. These limits models forecasting performance, imposing relatively short prediction horizons, despite the modeling technique used (physiological, data-driven or hybrid approaches). The starting hypothesis of this thesis is that the complexity of glucose dynamics requires the ability to characterize clusters of behaviors in the patient's historical data naturally yielding to the concept of local modeling. Besides, the similarity of responses in a cluster can be further exploited to introduce the classical concept of seasonality into glucose prediction. As a result, seasonal local models are at the core of this thesis. Several clinical databases including mixed meals and exercise are used to demonstrate the feasibility and superiority of the performance of this approach.
This work has been supported by the Spanish Ministry of Economy and Competitiveness (MINECO) under the FPI grant BES-2014-069253 and projects DPI2013-46982-C2-1-R and DPI2016-78831-C2-1-R. Moreover, with relation to this grant, a short stay was done at the end of 2017 at the Illinois Institute of Technology, Chicago, United States of America, under the supervision of Prof. Ali Cinar, for four months from 01/09/2017 to 29/12/2017.
Montaser Roushdi Ali, E. (2020). STOCHASTIC SEASONAL MODELS FOR GLUCOSE PREDICTION IN TYPE 1 DIABETES [Tesis doctoral no publicada]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/136574
TESIS

This thesis deals about using models of neural networks like alternative of time series model based on Box-Jenkins methodology. The work is divided into two parts according to the model construction method. Each of the parts contains a theory that explains the individual processes and the progress of the model construction. This is followed by two experiments demonstrating the difference in approach to the design of a given model and creating a forecast by estimated values. for the following year. The last part expertly evaluates the quality of the predictions and considers the use of neural networks against prediction models as an alternative to Box-Jenkins methodology based models

Submitted by Basiliki Theophane Calochorios Litvac (basiliki.litvac@gmail.com) on 2013-03-06T22:27:11Z No. of bitstreams: 1 dissertacao_Basiliki_final_rev.pdf: 681459 bytes, checksum: 86dfce2ca595dfd933509d266c084a2d (MD5)
Approved for entry into archive by Suzinei Teles Garcia Garcia (suzinei.garcia@fgv.br) on 2013-03-07T12:53:10Z (GMT) No. of bitstreams: 1 dissertacao_Basiliki_final_rev.pdf: 681459 bytes, checksum: 86dfce2ca595dfd933509d266c084a2d (MD5)
Made available in DSpace on 2013-03-07T13:14:10Z (GMT). No. of bitstreams: 1 dissertacao_Basiliki_final_rev.pdf: 681459 bytes, checksum: 86dfce2ca595dfd933509d266c084a2d (MD5) Previous issue date: 2013-02-05
Este trabalho tem por objetivo avaliar para o caso brasileiro uma das mais importantes propriedades esperadas de um núcleo: ser um bom previsor da inflação plena futura. Para tanto, foram utilizados como referência para comparação dois modelos construídos a partir das informações mensais do IPCA e seis modelos VAR referentes a cada uma das medidas de núcleo calculadas pelo Banco Central do Brasil. O desempenho das previsões foi avaliado pela comparação dos resultados do erro quadrático médio e pela aplicação da metodologia de Diebold-Mariano (1995) de comparação de modelos. Os resultados encontrados indicam que o atual conjunto de medidas de núcleos calculado pelo Banco Central não atende pelos critérios utilizados neste trabalho a essa característica desejada.
This paper aims at evaluating one of the most important desirable properties of a core inflation measure: to be a better predictor of headline inflation over the future. To achieve this goal, two benchmark models using monthly IPCA data were compared with six VAR models for each one of the core measures calculated by the Brazilian Central Bank. The forecasting performance was evaluated comparing the mean square error and by the Diebold-Mariano (1995) test for predictive accuracy. The evidence found indicates that the current set of core inflation measures calculated by the Central Bank does fulfill this desired property.

Submitted by Adriana Bezerra Bessa (adrianabbessa@gmail.com) on 2018-05-09T00:07:09Z No. of bitstreams: 1 Tese_AdrianaBessa_versaofinal.pdf: 4846338 bytes, checksum: 5d2e8d52cd770e8fd17a4a9adee180d2 (MD5)
Approved for entry into archive by Thais Oliveira (thais.oliveira@fgv.br) on 2018-05-10T17:26:20Z (GMT) No. of bitstreams: 1 Tese_AdrianaBessa_versaofinal.pdf: 4846338 bytes, checksum: 5d2e8d52cd770e8fd17a4a9adee180d2 (MD5)
Approved for entry into archive by Suzane Guimarães (suzane.guimaraes@fgv.br) on 2018-05-11T12:30:07Z (GMT) No. of bitstreams: 1 Tese_AdrianaBessa_versaofinal.pdf: 4846338 bytes, checksum: 5d2e8d52cd770e8fd17a4a9adee180d2 (MD5)
Made available in DSpace on 2018-05-11T12:30:08Z (GMT). No. of bitstreams: 1 Tese_AdrianaBessa_versaofinal.pdf: 4846338 bytes, checksum: 5d2e8d52cd770e8fd17a4a9adee180d2 (MD5) Previous issue date: 2018-04-24
A previsão de vendas é um aspecto crítico para maior parte das organizações, já que permite tornar o processo de planejamento mais eficiente, impactando assim nos resultados a serem obtidos pelas empresas. Entre as diversas técnicas de previsão, temos o grupo de métodos estatísticos clássicos e os métodos avançados, que trazem uma contribuição no tratamento das não linearidades. É neste contexto, que surge o problema desta dissertação: Quais são as técnicas que apresentam maior acurácia quando aplicadas para previsão de vendas no varejo de moda? Para responder a esta questão, esse trabalho avaliou dez métodos de previsão: Naive, SARIMA, SARIMA com exógenas, SARIMA GARCH, SARIMA GARCH com exógenas, método atual utilizado pela empresa estudada, rede neural MLP, rede neural MLP com exógenas, rede neural recorrente LSTM e rede neural recorrente LSTM com exógenas para quatro séries de quantidades vendidas de categorias de produtos distintas de uma empresa varejista do setor de moda. É fundamental destacar, que de forma casual, a pesquisa identificou que as quatro séries semanais de vendas dos produtos analisados são estacionárias, considerando um período longo de dez anos, o que por si só já é um resultado relevante. A análise dos diversos métodos de previsão para cada série de produto mostrou que os métodos avançados superaram os métodos estatísticos clássicos e, mais especificamente, a rede neural recorrente LSTM foi a que apresentou a maior precisão. Sendo assim, não há dúvidas que adoção dos métodos avançados para as empresas, que atuam no varejo de moda, pode trazer melhorias significativas em termos de gestão de estoque, de gestão da cadeia de abastecimento e de gestão de caixa, garantindo um aumento de eficiência e dos resultados das mesmas. De forma prática, para a empresa estudada foi obtido um incremento de acuracidade de 54,32%.
The sales forecasting is a critical aspect for most organizations, since it allows to make the planning process more efficient, thus impacting the results to be obtained by the companies. Among the various forecasting techniques, we have the group of classical statistical methods and the advanced methods, which make a contribution in the treatment of nonlinearities. It is in this context, that the problem of this dissertation arises: What are the techniques that present the greatest accuracy when applied to forecast sales in fashion retail? In order to answer this question, this study evaluated ten predictive methods: Naive, SARIMA, SARIMA with exogenous, SARIMA GARCH, SARIMA GARCH with exogenous, current method used by the studied company, MLP neural network, MLP neural network with exogenous, recurrent neural network LSTM and LSTM recurrent neural network with exogenous for four series of quantities sold from product categories distinct from a retailer in the fashion industry. It is important to highlight that, on a casual basis, the research identified that the four weekly series of sales of the analyzed products are stationary, considering a long period of ten years, which in itself is already a relevant result. The analysis of the various prediction methods for each product series showed that the advanced methods overcame the classic statistical methods and, more specifically, the recurrent neural network LSTM was the one that presented the highest precision. Therefore, there is no doubt that adoption of the advanced methods for companies that operate in fashion retail can bring significant improvements in terms of inventory management, supply chain management and cash management, ensuring an increase in efficiency and in its results. In practice, for the company studied, an accuracy increase of 54.32% was obtained.

Os processos espaço-temporais vêm ganhando destaque nos últimos anos, em razão do aumento de estudos compreendendo variáveis que apresentam interação entre as dimensões espacial e temporal. Com o objetivo de modelar esses processos, Pfeifer e Deutsch (1980a) propuseram uma extensão da classe de modelos univariados de Box-Jenkins, denominada por modelo espaço-temporal autoregressivo de média móvel (STARMA). Essa classe de modelos é utilizada para descrever dados de séries temporais espacialmente localizadas. Os processos passíveis de modelagem via classe de modelos STARMA são caracterizados por observações de variáveis aleatórias, em que os locais a serem incorporados no modelo são fixos no espaço. A dependência entre as n séries temporais é modelada por meio da matriz de ponderação, de modo que os modelos da classe STARMA expressem cada observação no tempo t e na localização i como uma média ponderada de combinações lineares das observações anteriores e a inovação defasada no espaço e no tempo conjuntamente. Dada a nova classe de modelos, os objetivos deste estudo foram apresentar a classe de modelos STARMA, implentar computacionalmente, no software R, rotinas que permitam a análise de dados espaço-temporais, com as rotinas implementadas estabelecer e testar modelos de séries temporais aos dados de temperaturas mínimas médias mensais de 8 estações meteorológicas situadas no Paraná e comparar a classe de modelos STARMA com a classe de modelos univariados proposta por Box e Jenkins (1970). Com este estudo verificou-se que na apresentação da classe de modelos STARMA há complexidade no conceito de ordens de vizinhança e na identificação dos modelos espaço-temporais. Em relação a criação de rotinas responsáveis pelas análises de dados espaço-temporais observou-se dificuldades em sua implementação, principalmente no momento de estimação dos parâmetros. Na comparação da classe de modelos STARMA, multivariada, com a classe de modelos SARIMA, univariada, constatou-se que ambos os modelos se ajustaram de maneira satisfatória aos dados, produzindo previsões acuradas.
Spatio-temporal processes have been highlighted lately, due to the increase of studies approaching variables that present interactions between the spatial and temporal dimensions. In order to model these processes, Pfeifer e Deutsch (1980a) have suggested an extension of the Box-Jenkins univariate model class, named spatio-temporal autoregressive moving-average model (STARMA). This model class is used to describe spatially located time series data. The processes prone to be modeled via the STARMA model class are characterized by observations of random variables, in which the locations to be incorporated in the model are spatially fixed. The dependence between the n time series is modeled through the weighing matrix. So STARMA models express each observation at time t and location i as a weighed mean of linear combinations of the previous observations and the jointly lagged innovation in space and time. Given the new class models, the objectives of this study were to present a class of models STARMA, implentar computationally, in textit R software, routines that allow the analysis of spatio-temporal data with the routines implemented to establish and test models time series data of monthly average minimum temperatures of 8 meteorological stations located in Paraná and compare the class of models STARMA with the class of univariate models proposed by Box e Jenkins (1970). With this study it was found that the presentation of the class of models STARMA no complexity in the concept of ordered neighborhood and identification of spatio-temporal models. Regarding the creation of routines responsible for the analysis of spatio-temporal observed difficulties in its implementation, especially at the time of estimation of parameters. In comparison class STARMA models, multivariate, with the class of SARIMA models, univariate, it was found that both models were adjusted satisfactorily to the data, producing accurate forecasts.

Submitted by Marina Gruc Sztamfater (marinagruc@gmail.com) on 2015-02-27T18:33:07Z No. of bitstreams: 1 Tese_Marina_Gruc_Sztamfater.pdf: 909406 bytes, checksum: 53f3c92413eca5e92e2430768825432c (MD5)
Approved for entry into archive by Renata de Souza Nascimento (renata.souza@fgv.br) on 2015-02-27T18:34:48Z (GMT) No. of bitstreams: 1 Tese_Marina_Gruc_Sztamfater.pdf: 909406 bytes, checksum: 53f3c92413eca5e92e2430768825432c (MD5)
Made available in DSpace on 2015-02-27T19:27:56Z (GMT). No. of bitstreams: 1 Tese_Marina_Gruc_Sztamfater.pdf: 909406 bytes, checksum: 53f3c92413eca5e92e2430768825432c (MD5) Previous issue date: 2015-02-03
This study aims to compare the forecasting efficiency of two different methodologies applied to the Brazilian shipments of corrugated board data. First the corrugated shipping data will be broken down by industrial categories of destination and for each category will be made univariate SARIMA models. The estimates of disaggregated series are then aggregated to form the prediction of the total shipment of corrugated board. The prediction made from the aggregation of industry categories will be compared with a univariate SARIMA aggregate model, in order to ascertain which of the two methods results in a model with better accuracy. This comparison will be made based on the methodology developed by Diebold and Mariano
O presente trabalho visa comparar o poder preditivo das previsões feitas a partir de diferentes metodologias aplicadas para a série de expedição brasileira de papelão ondulado. Os dados de expedição de papelão ondulado serão decompostos pelas categorias industriais de destino das caixas e serão feitos modelos do tipo SARIMA univariados para cada setor. As previsões das séries desagregadas serão então agregadas, para compor a previsão da série total de expedição. A previsão feita a partir da somatória das categorias industriais será comparada com um SARIMA univariado da série agregada, a fim de verificar qual dos dois métodos resulta em um modelo com melhor acurácia. Essa comparação será feita a partir da metodologia desenvolvida por Diebold e Mariano (1995).

Submitted by Julio Cesar de Azevedo Vieira (julio_vieira@globo.com) on 2018-06-16T14:57:18Z No. of bitstreams: 1 dissertacao_JulioCesarVieira.pdf: 1988173 bytes, checksum: 55cb349d2840d5de748cbd814f155bb9 (MD5)
Rejected by Marcia Bacha (marcia.bacha@fgv.br), reason: O aluno irá submeter com o novo PDF on 2018-06-19T14:38:11Z (GMT)
Submitted by Julio Cesar de Azevedo Vieira (julio_vieira@globo.com) on 2018-06-26T21:10:08Z No. of bitstreams: 1 dissertacao_JulioCesarVieira.pdf: 1801751 bytes, checksum: 382cab03be50d392c166a61e21222c05 (MD5)
Approved for entry into archive by Janete de Oliveira Feitosa (janete.feitosa@fgv.br) on 2018-07-05T13:19:09Z (GMT) No. of bitstreams: 1 dissertacao_JulioCesarVieira.pdf: 1801751 bytes, checksum: 382cab03be50d392c166a61e21222c05 (MD5)
Made available in DSpace on 2018-07-16T19:25:05Z (GMT). No. of bitstreams: 1 dissertacao_JulioCesarVieira.pdf: 1801751 bytes, checksum: 382cab03be50d392c166a61e21222c05 (MD5) Previous issue date: 2018-04-17
Dengue é uma doença infecciosa que afeta países subtropicais. Autoridades de saúde locais utilizam informações sobre o número de notificações para monitorar e prever epidemias. Este trabalho foca na modelagem do número de casos de dengue semanal em quatro cidades do estado do Rio de Janeiro: Rio de Janeiro, São Gonçalo, Campos dos Goytacazes, e Petrópolis. Modelos de séries temporais são frequentemente utilizados para prever o número de casos de dengue nos próximos ciclos (semanas ou meses), particularmente, modelos SARIMA (Modelo Sazonal Autorregressivo Integrado de Médias Móveis) apresentam uma boa performance em situações distintas. Modelagens alternativas ainda incluem informação sobre o clima da região para melhorar a performance preditiva. Apesar disso, modelos que usam apenas dados históricos e de clima podem não possuir informações suficientes para capturar mudanças entre os regimes de não-epidemia e epidemia. Duas razões para isso são o atraso na notificação dos casos e que possivelmente não houveram epidemias nos anos anteriores. Baseando-se no sistema de monitoramento InfoDengue, esperasse que incluindo dados sobre ”numero de reprodução efetiva dos mosquitos”(RT) e ”número de tweets se referindo a dengue”(tweets) possam melhorar a qualidade das previsões no curto (1 semana) e longo (8 semanas) prazo. Foi possível mostrar que modelos de séries temporais incluindo RT e informações climáticas frequentemente performam melhor do que o modelo SARIMA em termos do erro preditivo quadrático médio (RMSE). Incluir a variável sobre o twitter não mostrou uma melhora no RMSE.
Dengue fever is an infectious disease affecting subtropical countries. Local health departments use the number of notified cases to monitor and predict epidemics. This work focus on modeling weekly incidence of dengue fever in four cities of the state of Rio de Janeiro: Rio de Janeiro, São Gonçalo, Campos dos Goytacazes, and Petrópolis. Time series models are often used to predict the number of cases in the next cycles (weeks, months), in particular, SARIMA (Seazonal Auto-Regressive Integrated Moving Average) models are shown to perform well in distinct settings. Alternative models also include climate covariates to improve the quality of the forecasts. However, models that only use historical and climate data may no have sufficient information to capture changes from non-epidemic to an epidemic regime. Two reasons are that there is a delay in the notification of cases and there might not have had epidemics in the previous years. Based on the INFODENGUE monitoring system we argue data including the "effective reproduction number of mosquitoes" (RT) and "number tweets referring to dengue" (tweets) may improve the quality of forecasts in the short (1 week) to long (8 weeks) range. We show that time series models including RT and climate information often outperform SARIMA models in terms of mean squared predictive error (RMSE). Inclusion of twitter did not improve the RMSE.

Submitted by Luciclea Silva (luci@ufpa.br) on 2018-11-20T16:16:30Z No. of bitstreams: 2 license_rdf: 9 bytes, checksum: 42dd12a06de379d3ffa39b67dc9c7aff (MD5) Tese_Modelohibridobaseado.pdf: 2923843 bytes, checksum: 6646b898a2999050d56c3e291110b46d (MD5)
Approved for entry into archive by Luciclea Silva (luci@ufpa.br) on 2018-11-20T16:16:59Z (GMT) No. of bitstreams: 2 license_rdf: 9 bytes, checksum: 42dd12a06de379d3ffa39b67dc9c7aff (MD5) Tese_Modelohibridobaseado.pdf: 2923843 bytes, checksum: 6646b898a2999050d56c3e291110b46d (MD5)
Made available in DSpace on 2018-11-20T16:16:59Z (GMT). No. of bitstreams: 2 license_rdf: 9 bytes, checksum: 42dd12a06de379d3ffa39b67dc9c7aff (MD5) Tese_Modelohibridobaseado.pdf: 2923843 bytes, checksum: 6646b898a2999050d56c3e291110b46d (MD5) Previous issue date: 2018-08-30
FAPEAM - Fundação de Amparo à Pesquisa do Estado do Amazonas
A geração de energia elétrica através de turbinas eólicas é uma das alternativas praticamente inesgotáveis de geração de energia elétrica. Ela é considerada uma fonte de energia limpa, porém ainda necessita de muita pesquisa para desenvolvimento de ciência e tecnologias que assegurem uma uniformidade na geração, propiciando uma maior participação desta fonte na matriz energética tanto no Brasil quanto no mundo, pois o vento apresenta bruscas variações na velocidade, densidade e em outras variáveis importantes. Nos sistemas elétricos de base eólica, cada horizonte de previsão é aplicado em um determinado segmento específico, previsão de minutos, horas, semanas, meses e anos futuros do comportamento do vento, desta forma pode-se avaliar a disponibilidade de energia para o próximo período, uma informação relevante no despacho das unidades geradoras e no controle do sistema elétrico. Esta tese teve como proposta, desenvolver modelos de previsão a ultra curto, curto, médio e longo prazo da velocidade do vento, baseado em técnicas de inteligência computacional, usando modelos de Redes Neurais Artificiais, SARIMA e modelos híbridos e prever a capacidade da geração de potência para cada horizonte. Para aplicação da metodologia utilizou-se as variáveis meteorológicas do banco de dados do sistema de organização nacional de dados ambientais SONDA, estação de Petrolina, do período de 01 de janeiro de 2004 à 31 de março de 2017. O desempenho dos modelos foi comparado com 5, 10 e 20 passos para frente, considerando minutos, horas, dias, semanas, meses e anos como horizonte de previsão. O modelo hibrido obteve melhor resposta na previsões dentre as quais destacou-se o horizonte de horas.
The electric power generation through wind turbines is one of the practically inexhaustible alternatives sources of electric power. It is considered a source of clean energy, but still requires a lot of research to develop science and technologies that ensure uniformity in generation, providing a greater participation of this source in the energy matrix in Brazil as in the world, because the wind presents abrupt variations speed, density, and other important variables. In wind-based electrical systems, each forecast horizon is applied to a specific segment, forecast of minutes, hours, weeks, months, and future years of wind behavior, in order to evaluate the availability of energy for the next period, relevant information in the dispatch of the generating units and in the control of the electric system. This thesis aimed to develop ultra-short, short, medium and long-term prediction models of wind speed, based on computational intelligence techniques, using Artificial Neural Networks, SARIMA models and hybrid models and to predict the generation capacity of power for each horizon. For the application of the methodology, the meteorological variables of the database of the national environmental data system SONDA, Petrolina station, were used for the period from January 1st, 2004 to March 31st, 2017. The performance of the models was compared with 5, 10 and 20 steps forward, considering minutes, hours, days, weeks, months and years as the forecast horizon. The hybrid model obtained better response in the forecasts, among which the hour horizon was highlighted.

Submitted by Simone Jager (si_jager@hotmail.com) on 2014-02-10T15:30:57Z No. of bitstreams: 1 Simone Jager 2014.pdf: 764649 bytes, checksum: 100e29a7572ff1d6c57a770ace28e1bf (MD5)
Approved for entry into archive by Vitor Souza (vitor.souza@fgv.br) on 2014-02-24T21:08:40Z (GMT) No. of bitstreams: 1 Simone Jager 2014.pdf: 764649 bytes, checksum: 100e29a7572ff1d6c57a770ace28e1bf (MD5)
Made available in DSpace on 2014-05-20T13:15:26Z (GMT). No. of bitstreams: 1 Simone Jager 2014.pdf: 764649 bytes, checksum: 100e29a7572ff1d6c57a770ace28e1bf (MD5) Previous issue date: 2014-01-23
This paper compares time series models to forecast short-term Brazilian inflation measured by Consumer Price Index (IPCA). Were considered SARIMA Box-Jenkins models and structural models in state space, as estimated by the Kalman filter. For estimation of the models, the series of IPCA monthly basis from March 2003 to March 2012 was used. The SARIMA models were estimated in EVIEWS and structural models in STAMP. For the validation of the models out of sample forecasts were considered one step ahead for the period April 2012 to March 2013, based on the main criteria for assessing predictive ability proposed in the literature. The conclusion of the study is that, although the structural model allows, to decompose the series into components with direct interpretation and study them separately, while incorporating explanatory variables in a simple way, the performance of the SARIMA model to predict Brazilian inflation was higher in the period and horizon considered. Another important positive aspect is that the implementation of a SARIMA model is ready, and predictions from it are obtained in a simple and direct way.
Este trabalho compara modelos de séries temporais para a projeção de curto prazo da inflação brasileira, medida pelo Índice de Preços ao Consumidor Amplo (IPCA). Foram considerados modelos SARIMA de Box e Jenkins e modelos estruturais em espaço de estados, estimados pelo filtro de Kalman. Para a estimação dos modelos, foi utilizada a série do IPCA na base mensal, de março de 2003 a março de 2012. Os modelos SARIMA foram estimados no EVIEWS e os modelos estruturais no STAMP. Para a validação dos modelos para fora da amostra, foram consideradas as previsões 1 passo à frente para o período de abril de 2012 a março de 2013, tomando como base os principais critérios de avaliação de capacidade preditiva propostos na literatura. A conclusão do trabalho é que, embora o modelo estrutural permita, decompor a série em componentes com interpretação direta e estudá-las separadamente, além de incorporar variáveis explicativas de forma simples, o desempenho do modelo SARIMA para prever a inflação brasileira foi superior, no período e horizonte considerados. Outro importante aspecto positivo é que a implementação de um modelo SARIMA é imediata, e previsões a partir dele são obtidas de forma simples e direta.

碩士
國立臺灣大學
國家發展研究所
104
There has been a growing interest in tourism demand forecasting over the past decades because of the constant growth of world tourism. Although there has the consensus on the need to develop more accurate forecasts and the recognition of their corresponding benefits, there is no one model that stands out in terms of forecasting accuracy. Since 2008, the amount of Mainland tourists to visit Taiwan has been growing rapidly. This study aims to build SARIMA, seasonal GM(1,1) model and Back Propagation Neural Network model to forecast the tourism demand from Mainland to Taiwan. This study chose the period from January 2009 to December 2015, 72 monthly data, to build SARIMA model, seasonal GM(1,1) model and seasonal Back Propagation Neural Network model, and evaluates the prediction by MAPE and RMSPE. Via comparing MAPE and RMSPE, we select seasonal Back Propagation Neural Network model which has the lowest MAPE to forecast 2016 and 2017 Mainland tourists to Taiwan.

This study uses aspects of time series methodology to model and forecast major taxes such as Personal Income Tax (PIT), Corporate Income Tax (CIT), Value Added Tax (VAT) and Total Tax Revenue(TTAXR) in the South African Revenue Service (SARS). The monthly data used for modeling tax revenues of the major taxes was drawn from January 1995 to March 2010 (in sample data) for PIT, VAT and TTAXR. Due to higher volatility and emerging negative values, the CIT monthly data was converted to quarterly data from the rst quarter of 1995 to the rst quarter of 2010. The competing ARIMA/SARIMA and Holt-Winters models were derived, and the resulting model of this study was used to forecast PIT, CIT, VAT and TTAXR for SARS fiscal years 2010/11, 2011/12 and 2012/13. The results show that both the SARIMA and Holt-Winters models perform well in modeling and forecasting PIT and VAT, however the Holt-Winters model outperformed the SARIMA model in modeling and forecasting the more volatile CIT and TTAXR. It is recommended that these methods are used in forecasting future payments, as they are precise about forecasting tax revenues, with minimal errors and fewer model revisions being necessary.
Statistics
M.Sc. (Statistics)

Dissertação de Mestrado em Ciências Económicas e Empresariais.
Numa altura em que o cenário nacional e internacional é marcado por uma crise económica e financeira, e em época de recessão do mercado e dificuldades económicas, o reflexo das Pequenas e Médias empresas (PME) em Portugal é imediato e como consequência atinge todos a que dela dependem, direta ou indiretamente. Diante desta realidade, é necessário precaver as empresas viáveis mas que estão com dificuldades económicas e financeiras. Esta dissertação tem como objetivo identificar, com antecedência as empresas mais propensas a se tornarem insolventes, propiciando a implementação de medidas corretivas em tempo hábil e uma alocação de recursos disponíveis para o seu acompanhamento direto. Visando alertar os empresários acerca dos indicadores económicos financeiros suscitáveis de insolvência como forma de possibilitar a preservação da atividade, quando esta se demonstrar técnica e economicamente viável. O estudo desenvolve um modelo estatístico (SARIMA) para a previsão de possíveis insolvências, assenta nos pilares de desempenho, competitividade e atratividade. Recorrendo a dados obtidos na página da internet do Banco de Portugal, a pesquisa é efetuada através de observações mensais PME portuguesa, nos períodos Janeiro de 2008 a Maio de 2012. Para além da validação de hipóteses de investigação, os resultados obtidos permitem a aferição e desempenho dos instrumentos económico-financeiros e analisa as PME solventes e insolventes através de instrumentos matemáticos SARIMA, (introdução da componente sazonal), que mensuram com antecedência a solvência das empresas.
ABSTRACT: At a time when the national and international scene is marked by an economic and financial crisis and in times of market downturn and economic difficulties, the reflection of Small and Medium Enterprises (SMEs) in Portugal is immediate and as a result all the hits that depend directly or indirectly. Given this reality, it is necessary to avoid companies that are viable but with economic and financial difficulties. This thesis aims to identify, in advance companies more likely to become insolvent, leading the implementation of corrective measures in a timely manner and an allocation of resources available for your direct monitoring. Aiming warn entrepreneurs about the economic indicators caused financial insolvency as a way of enabling the preservation of activity when this is established technically and economically feasible. The study develops a statistical model (SARIMA) to predict possible insolvencies, founded on the pillars of performance, competitiveness and attractiveness. Using the data obtained on the website of the Bank of Portugal, the research is done through monthly observations Portuguese SME for the periods January 2008 to May 2012. Apart from validating research hypotheses, the results obtained allow the measurement and performance of economic and financial instruments and analyzes SMEs solvent and insolvent through mathematical instruments SARIMA, (introduction of the seasonal component), which measure in advance the solvency of companies.

Tese de mestrado em Estatística, apresentada à Universidade de Lisboa, através da Faculdade de Ciências, 2012
Este estágio teve como principal objectivo encontrar uma alternativa ao método de previsão utilizado pela empresa Vodafone no que diz respeito às suas linhas de apoio aos seus clientes. Os dados referem-se ao número de chamadas atendidas diariamente de diferentes linhas de apoio e portanto estas linhas podem ser tratadas como séries temporais. Pretende-se encontrar quais os melhores modelos que se ajustam às series temporais diárias observadas para as várias linhas de apoio a clientes da referida operadora móvel e depois usaremos estes modelos para prever os valores futuros para estas séries temporais. Um dos objectivos é avaliar a qualidade de ajustamento bem como o poder preditivo destes modelos. O método de previsão sugerido é a clássica Metodologia de Box-Jenkins que se baseia nos modelos de séries temporais lineares. Grande parte das nossas séries temporais, apresenta uma forte componente sazonal diária e portanto os modelos que iremos aplicar são os chamados modelos lineares multiplicativos não estacionários sazonais que designam-se por SARIMA(p,d,q)x(P,D,Q)S. Ao fazermos uma análise cuidadosa destas séries temporais, por vezes estas mostranos algumas não linearidades e desta maneira devemos aplicar os modelos GARCH para os resíduos obtidos dos modelos lineares SARIMA, para explicar o elevado grau de volatilidade presente em algumas séries temporais. No final deste relatório, apresento detalhadamente um caso prático referente a uma linha de atendimento que se encontra no activo na empresa. Tendo em conta o modelo que ajustei para esta linha, pretende-se prever os valores desta para os meses de Novembro e Dezembro de 2011 e para o mês de Janeiro de 2012 e comparar esses valores com os valores reais dessa linha e também pelo método utilizado na Vodafone, para depois retirarmos conclusões acerca dos mesmos. Posteriormente, realizamos o mesmo procedimento mas agora para os meses de Junho, Julho e Agosto de 2012. Uma vez que até a este momento só faço o retrato de uma linha, também irei aplicar resumidamente estes métodos a outras linhas que faltam considerar, para depois tirarmos uma conclusão final acerca dos métodos apresentados. Os resultados vão-nos mostrar claramente a superioridade do método Box-Jenkins sobretudo para períodos curtos de previsão em relação ao método aplicado pela Vodafone.
The main objective of this training report is to find an alternative method of prediction to the methods currently in use by the Vodafone company for customer helpline telephone traffic. Data correspond to the daily number of telephone calls received on several different helplines and therefore are treated as time series. We hope to find models which fit best to the observed daily time series of several different customer helpline traffic, and then use these models for prediction of future values of these time series. The objective is to assess the quality of fit as well as the predictive power of these models. The method of prediction which we suggest is the classical Box and Jenkins Methodology based on linear time series models. Almost all the observed time series show strong weekly seasonal components and therefore the models which we employ are the seasonal non-stationary linear multiplicative models designated by SARIMA(p,d,q)X(P,D,Q)S. The careful analysis of the time series shows that there is non-linearity and we employ GARCH models to the residuals obtained from the linear SARIMA models to explain the high degree of volatility in some of the time series. At the end of this report a case study will be presented referring to a hotline which is in active in the company. Based on the adjusted model, the predicted values of number of calls for this line in the months of November, December 2011 and January 2012 were compared with the real values (observed) and also with the method used in Vodafone. Afterwards, the same methodology was applied for the months of June, July and August 2012 for this line, as well as in other lines and conclusions were drawn about the presented methods. The results will clearly show the superiority of the Box and Jenkins method particularly for short term predictions over the methods employed by the Vodafone.

A produção da energia eólica é considerada uma alternativa prioritária como fonte de energia renovável à escala global. O conhecimento das condições físicas e meteorológicas dos locais e a obtenção de previsões a diversos prazos suportam a tomada de decisão. Com base em previsões, que se requerem fiáveis, é possível analisar a viabilidade económica, prever a produção de energia eólica, e estudar cenários relativos à gestão do sistema, os quais são afetados pela variabilidade natural de vários fatores aleatórios. O objetivo do estudo é utilizar métodos de modelação e previsão sobre uma variável importante para a produção de energia eólica, nomeadamente a velocidade do vento, na ilha de São Vicente, Cabo Verde, para obter estimativas futuras dessa variável e assim auxiliar a gestão do sistema de produção. São estudados modelos estatísticos para séries temporais de utilização ampla neste domínio e são referidos alguns modelos físicos. São utilizados dados relativos ao histórico da velocidade do vento. Mediante a aplicação de ferramentas de análise adequadas a estes dados, procurou-se obter estimativas fiáveis para as 24 horas do primeiro dia do ano de 2016, com base nos três anos anteriores. O reduzido número de anos bem como a existência de dados omissos conduziu a que o melhor modelo fosse o de sazonalidade simples, diária.
The wind power production is a priority alternative as a renewable energy source on a global scale. Knowledge of the physical and meteorological conditions of the sites and obtaining forecasts at different time horizons supports decision making. Based on reliable predictions, it is possible to analyze economic viability, predict wind power production, and study scenarios related to system management, which are affected by the natural variability of several random factors. The objective of the study is to use methods of modeling and predicting an important variable for a wind power production at a ship speed in the island of São Vicente, Cape Verde, to obtain future estimates of the variable as well as to assist the management of the system of production. Statistical models are studied for time series of wide use in this domain and some physical models are mentioned. Wind speed history data are used. Through the application of appropriate analysis tools, we tried to obtain reliable estimates for the 24 hours of the first day of the year 2016, based on the previous three years. The reduced number of years as well as the existence of missing data led to the best model being that of simple and daily seasonality.

Trabalho de projeto de mestrado em Bioestatística, Universidade de Lisboa, Faculdade de Ciências, 2020
A diabetes é uma doença metabólica multifatorial, caracterizada por níveis elevados de glucose no sangue (hiperglicemia). Esta é uma condição crónica, resultante da progressiva destruição ou disfunção das células beta presentes no pâncreas, onde se dá a produção de insulina, uma hormona anabólica envolvida na absorção e metabolismo da glucose. Sintomas clássicos de diabetes incluem fome e sede excessivas (polifagia e polidipsia, respetivamente), vontade frequente de urinar (poliúria) e cansaço. Se o nível de glucose no sangue estiver continuamente acima do normal, podem ocorrer manifestações mais graves da doença, como sejam cetoacidose e coma hiperosmolar, com perigo de morte associado. A longo-prazo, indivíduos com diabetes têm um risco aumentado de complicações micro e macro vasculares, tais como retinopatia, nefropatia, neuropatia e doenças cardiovasculares. O controlo da doença é feito através de tratamento farmacológico, aliado a um estilo de vida saudável, procurando evitar ou retardar, tanto quanto possível, consequências graves. No entanto, uma baixa-autopercepção do risco de complicações e falhas no acompanhamento destes doentes ao nível dos cuidados de saúde primários contribuem para piores resultados clínicos, com eventual necessidade de cuidados de saúde hospitalares. O presente trabalho teve por objetivo descrever e modelar uma série temporal de internamentos hospitalares por diabetes em Portugal, com ênfase na predição. Para tal, foram usados dados constantes da Base de dados de Morbilidade Hospitalar, cedida pela Administração Central do Sistema de Saúde (ACSS), I.P., do Ministério da Saúde. Foram selecionados todos os diagnósticos de diabetes como causa primária de admissão, codificados, até ao terceiro dígito, por 250 (diabetes mellitus), de acordo com a Classificação Internacional de Doenças (ICD), 9ª revisão, Modificação Clínica (ICD-9-CM) ou E10 (diabetes tipo 1), E11 (diabetes tipo 2), E13 (outro tipo de diabetes), segundo a 10ª revisão da ICD (ICD-10-CM/PCS). Cada um destes registos foi associado a um episódio específico, através de um número sequencial único entre bases de dados, selecionando-se aqueles com data de admissão entre 1 de janeiro de 2010 e 31 de dezembro de 2018 e internamento mínimo de um dia. Com base nestes dados, foi construída uma série temporal do número mensal internamentos por diabetes entre 2010 e 2018, num total de 108 observações. Um subconjunto destes dados, composto por observações entre janeiro de 2010 e dezembro de 2016, foi utilizado na identificação e estimação do modelo (conjunto de treino; 84 meses), e as restantes observações, entre janeiro de 2017 e dezembro de 2018, usadas exclusivamente para validação do modelo (conjunto de teste; 24 meses). Seguindo a metodologia de Box e Jenkins para modelos Autorregressivos e de Médias Móveis Integrados Sazonais (SARIMA), vários modelos foram identificados com base na análise gráfica das funções de autocorrelação e autocorrelação parcial e estimados por máxima verosimilhança. Na seleção do melhor modelo, foi considerado o critério de informação de Akaike (AIC), avaliando-se posteriormente a sua adequação aos dados através da estatística de Ljung-Box e inspeção visual dos resíduos. A capacidade preditiva do modelo selecionado foi investigada por comparação entre as previsões obtidas e os dados do conjunto de teste, através de um procedimento de avaliação de origem móvel, em que novos valores são imputados ao modelo à medida que, supostamente, se tornam conhecidos. Neste caso, considerou-se quer a atualização do modelo, quer a sua recalibração, tendo por base uma janela fixa, onde se incluem todas as observações disponíveis até ao momento, ou móvel, composta pelas 84 observações mais recentes. Medidas como o erro absoluto médio (MAE), a raiz do erro quadrático médio (RMSE) e o erro percentual absoluto médio (MAPE) foram utilizadas para quantificar a precisão do modelo em cada contexto de predição, permitindo a sua comparação com um método de referência, um passeio aleatório sazonal, segundo o qual cada previsão iguala o valor da série no mesmo mês do ano anterior. Entre janeiro de 2010 e dezembro de 2018, foram contabilizados em Portugal 73.050 episódios de internamento por diabetes (676 casos por mês, em média), o que representa 35% de todas as admissões hospitalares por esta causa. Este número resulta, na sua maioria, de admissões urgentes (79,5%). A distribuição por sexo mostrou-se relativamente equilibrada (52,5% de homens), tendo sido observado um maior número de internamentos entre indivíduos com idade igual ou superior a 60 anos e na região Norte do país. Globalmente, o número de episódios diminuiu 45% entre 2010 e 2018 (10.011 e 5.530 internamentos, respetivamente). Para além da tendência decrescente, foram também observadas flutuações sazonais, com um pico de casos nos meses de Inverno e números mais baixos no Verão. Tendo por base o número de internamentos por mês entre 2010 e 2016, foram identificados e estimados nove modelos candidatos para a série original e diferenciada, quer na componente regular, quer sazonal. Entre estes, o modelo mais parcimonioso, SARIMA(1, 1, 2) × (0, 1, 1)12 (AIC = 10,647), foi usado para prever o número mensal de internamentos em 2017 e 2018. Considerando a disponibilidade de novos dados a cada mês, foi avaliada a capacidade preditiva do modelo para os horizontes temporais de 1, 3, 6 e 12 meses. De uma forma geral, o modelo re-estimado teve um melhor desempenho do que o modelo atualizado, registando-se o menor erro médio em previsões a um mês obtidas por meio de um janela móvel (MAE = 39,5; RMSE = 47,4; MAPE = 7,8%). Independentemente de ser usada uma janela fixa ou móvel na recalibração do modelo, a capacidade preditiva deste piorou com o aumento do horizonte temporal para 3, 6 e 12 meses. Em todo o caso, quer por via da atualização, quer da recalibração do modelo, foi observado um erro relativo inferior a 10% num horizonte temporal até seis meses. Foi ainda calculado o MAPE para 2017 e 2018, considerando a re-estimação do modelo com janela móvel a cada 1, 3, 6 e 12 meses. Neste caso, previsões a três meses apresentaram a maior precisão, com um erro anual médio de 7,7%, muito próximo do obtido com previsões a um mês (MAPE = 7,8%). Da re-estimação do modelo a cada 12 meses resultou o maior erro de previsão (MAPE = 12,4%), representando, ainda assim, uma redução de 30% face ao modelo de referência (MAPE = 17,7%). A representação gráfica das previsões do modelo SARIMA mostrou que estas ficaram maioritariamente acima da série observada, sobretudo em 2018. Não obstante, com a exceção de fevereiro de 2017 e maio de 2018, todos os valores observados se situaram entre os limites obtidos para as previsões. Estes resultados suportam a aplicação de modelos SARIMA na previsão de internamentos por diabetes em Portugal a curto/médio prazo, permitindo que decisões ao nível da gestão hospitalar sejam tomadas atempadamente. Esta seria uma forma de melhorar a capacidade de resposta dos serviços de saúde, sobretudo em períodos de maior fluxo de pacientes. Permitiria, igualmente, um uso mais eficiente do orçamento, pela adequação de recursos às reais necessidades dos pacientes, sem comprometer a qualidade dos cuidados prestados. Não desvirtuando o estudo de um ponto de vista clínico e epidemiológico, este tem associadas algumas limitações metodológicas. Começar por referir que foram incluídos apenas os diagnósticos principais de diabetes e os tipos mais comuns da doença, subestimando quer o seu impacto, quer a procura de cuidados de saúde específicos por esta causa. Por outro lado, o uso de dados agregados a nível nacional inviabiliza o uso das previsões obtidas em contextos reais de prática clínica. No que concerne à modelação dos dados, o uso do AIC como critério de seleção pode ter levado a uma interpretação errónea da qualidade dos modelos, dada a sua aplicação a diferentes conjuntos de dados (série original e diferenciada). Como trabalho futuro neste campo de investigação, conta-se a realização de uma análise espaciotemporal de internamentos hospitalares por diabetes, segundo métodos Bayesianos hierárquicos de mapeamento de doenças, considerando características sociodemográficas da população e indicadores de acesso a cuidados de saúde a nível regional.
Diabetes is a chronic disease characterized by high blood sugar levels, as a result of the progressive destruction or dysfunction of the pancreatic 𝛽-cells that produce insulin, an anabolic hormone involved in cellular glucose uptake and metabolism. Poor self-management and inefficient monitoring at primary health care contribute to an inadequate glycaemic control, which often leads patients to seek hospital health care, while facing acute or long-term complications of diabetes. The objective of this study is then to describe and model a series of hospitalizations due to diabetes in Portugal, with an emphasis on prediction. Episodes of hospital admissions occurred between 2010 and 2018 with main diagnosis of diabetes, coded, up to the third digit, by 250, according to International Classification of Diseases (ICD), 9th Revision, Clinical Modification (ICD-9-CM), or E10, E11, E13, based on the 10th revision of ICD (ICD-10-CM/PCS), and duration of at least one day were selected from the Hospital Morbidity Databases provided by the Central Administration of the Health System (ACSS), I.P. Following the Box-Jenkins approach for Seasonal Autoregressive Integrated Moving Average (SARIMA) modelling, a time series analysis on monthly hospitalizations in Portugal from January 2010 to December 2018 was conducted. Using data from 2010 to 2016 (84 observations), several models were identified as suitable and estimated by maximum likelihood. Akaike´s information criterion (AIC) was used to select the best model, whose adequacy was further investigated by residual analysis. For the selected model, 1, 3, 6 and 12-month forecasts were computed and compared against the observed series in 2017 and 2018, based on rolling-origin-update and rolling-origin-recalibration evaluation, with either a fixed (all available data) or rolling window (data from the last 84 months). The predictive ability of this model was assessed using the Mean Absolute Error (MAE), the Root Mean Square Error (RMSE) and the Mean Absolute Percentage Error (MAPE), and compared with a benchmark method, namely a Seasonal Random Walk. From 2010 to 2018, there were 73,050 hospitalizations due to diabetes in Portugal, representing 35% of all admissions for this cause. The series of monthly hospitalizations exhibits a decreasing trend and apparent seasonality, with a higher number of episodes observed in winter months. From nine candidate models, the SARIMA(1, 1, 2) × (0, 1, 1)12 (AIC = 10.647) was selected as the most parsimonious and used to predict hospitalizations in 2017 and 2018. For both rolling-origin-update and rolling-origin-recalibration, the relative error was lower than 10% for a forecast horizon up to six months. Overall, rolling-origin-recalibration performed better, with the lowest MAPE obtained with one-month forecasts, given either a fixed or a rolling window (8.2% and 7.8%, respectively). As the forecast timespan increased, up to 3, 6 and 12-months, the predictive accuracy of the model worsened. The average error for 2017 and 2018, obtained by using a rolling window to re-estimate the model every 1, 3, 6 and 12 months, revealed predictions at three months as the most accurate (MAPE = 7,7%), followed by those at one month (MAPE = 7,8%). The highest error was obtained with 12-month forecasts (MAPE = 12,4%), still representing a 30% reduction in relation to the benchmark model (MAPE = 17,7%). The graphical representation of the forecasts showed that the selected model often overestimated the observed series, yet, all but two observations were in the 95% prediction interval. The selected model was able to capture the seasonal patterns of the series, revealing a good predictive ability up to six months. These findings suggest that SARIMA models can be used to forecast hospitalizations due to diabetes at short/medium term with good accuracy, allowing for management decisions to be taken timely. Future work on this field of research includes a spatiotemporal analysis of hospitalizations due to diabetes in Portugal, following a Bayesian hierarchical disease mapping approach, while taking into account population socioeconomic characteristics and access to health care.

Trabalho de projecto de mestrado, Estatística e Investigação Operacional (Estatística) Universidade de Lisboa, Faculdade de Ciências, 2018
A região do Algarve é conhecida como uma das mais requisitadas zonas turísticas da Europa devido ao seu clima temperado mediterrâneo e às praias e paisagens naturais que despertam a atenção de muitos turistas nacionais e estrangeiros. Este reconhecimento tem vindo a aumentar, fazendo com que o turismo tenha vindo a crescer gradualmente ao longo dos anos. Para tentar acompanhar esta tendência de evolução, os serviços de transporte têm sofrido algumas alterações, no entanto ainda se verifica a utilização do transporte individual como principal meio de deslocação, o que não contribui para o conceito de mobilidade sustentável da região. Neste projeto é analisada a evolução do movimento de passageiros no transporte aéreo, marítimo-fluvial e transporte coletivo rodoviário e ferroviário, a evolução do Tráfego Médio Diário (TMD) na rede rodoviária principal, designadamente nos itinerários principais do Algarve e ainda a evolução do número de utilizadores de bicicleta na região do Algarve. Para realizar a previsão de cada uma das séries temporais, recorreu-se ao software R, e foram utilizados os modelos autorregressivos integrados e de médias móveis para séries com sazonalidade. A metodologia utilizada baseia-se essencialmente na metodologia de Box & Jenkins (1970) para a previsão de séries temporais, que se centra principalmente na análise gráfica da série temporal em estudo, estimação dos parâmetros do modelo, diagnóstico do modelo e na previsão dos valores futuros. Prevê-se que os resultados do projeto sejam úteis para apoiar o desenvolvimento de políticas públicas visando a mobilidade sustentável na região, designadamente para inverter possíveis tendências na utilização dominante do transporte individual e promover uma maior utilização do transporte coletivo, de novos serviços de mobilidade hipocarbónicos e incrementar a utilização de modos suaves de transporte como a bicicleta.
The Algarve region is known as one of the most sought-after tourist areas in Europe due to its temperate Mediterranean climate, beaches and natural landscapes that attract the attention of many domestic and foreign tourists. This recognition has been increasing, causing tourism to gradually grow over the years. To try to keep up with this trend of evolution, transport services have undergone some changes, however, individual transport is still used as the main means of travel, which does not contribute to the concept of sustainable mobility in the region. This project analyzes the evolution of the movement of passengers in air, rail, sea-river and road transport, the evolution of the Average Daily Traffic on the main roads of Algarve and the evolution of the number of bicycle users in the Algarve region. To perform the forecast of each of the time series the software R was used along with the autoregressive integrated moving average models for series with seasonality. The methodology used is essentially based on Box & Jenkins (1970) methodology for the forecast of time series, which focuses mainly on the graphical analysis of the time series being studied, the estimation of model parameters, the identification of the model and on the forecast of future values. The results of the project are expected to be useful in supporting the development of public policies aimed at sustainable mobility, more specifically, to reverse possible trends in the dominant use of individual transport and to promote greater use of collective transportation, new low-carbon mobility services and increase the use of soft transport solutions such as bicycles.

Dissertação de mestrado em Estatística
Os métodos de previsão constituem uma ferramenta fundamental nos processos de tomada de decisão em muitas áreas, como em Economia, Gestão e Finanças ou em Ambiente. Na área da Economia, nomeadamente no segmento do retalho, a previsão de vendas suporta grande parte das decisões de planeamento estratégico de qualquer empresa e deve ser o mais precisa possível para garantir a rentabilidade da empresa. Neste trabalho, é estudado um conjunto de séries temporais do segmento do retalho, relativas à variável índice de volume de negócios (TOVT), recolhidas nas bases de dados do Eurostat: séries temporais de Portugal, Alemanha, Espanha, França, Itália, Países Baixos e Reino Unido. Como muitas outras séries económicas, as vendas no segmento do retalho apresentam fortes tendências e padrões sazonais. A escolha do melhor processo para modelar e prever esses padrões tem sido um problema recorrente na análise de séries temporais. O principal objetivo deste trabalho consiste em avaliar a precisão de vários métodos de previsão, na área da modelação de séries temporais, aplicados a dados do segmento do retalho, de forma a identificar as metodologias mais adequadas. Desta forma, é proposta a comparação da precisão entre os modelos ARMA e respetivas extensões, os modelos de decomposição clássica associados a modelos de regressão linear múltipla e os métodos de alisamento exponencial (Holt-Winters). A escolha destes métodos deve-se à sua capacidade de modelar tendências e flutuações sazonais presentes em dados económicos, particularmente em dados do segmento do retalho. Para avaliar a capacidade preditiva das três metodologias adotadas, são utilizadas diversas medidas de avaliação, nomeadamente o EQM, o REQM, o EPAM, o EEAM e a estatística U de Theil. Os resultados deste estudo comparativo sugerem que os modelos de regressão linear múltipla não são os mais adequados para prever índices de vendas no retalho, enquanto os modelos SARIMA são identificados como os mais precisos. Apesar de não serem considerados como os mais apropriados, os modelos de Holt-Winters também constituem uma alternativa viável.
Forecasting methods are a key tool in decision-making processes in many areas, such as economics, management and finance, or environment. In the area of economics, particularly in the retail segment, sales forecasting supports most of the strategic planning decisions of any retail business, and must be as accurate as possible to ensure the company’s profitability. In this work we study a set of retail time series in the retail business, related to the variable index of turnover (TOVT), which was collected in the Eurostat retail databases: time series of Portugal, Germany, Spain, France, Italy, the Netherlands and United Kingdom. Like many other economic time series, retail sales present strong trends and seasonal patterns. How to best model and forecast these patterns has been a long-standing issue in time series analysis. The main propose of this work is to evaluate the accuracy of various forecasting methods, in the area of time series modelling, applied to data from the retail segment in order to identify the most appropriate methodologies. Thus, it is proposed to compare the accuracy of the ARMA models and their extensions, the classical decomposition time series associated with multiple linear regression models, and the exponential smoothing methods (Holt-Winters). These methods are chosen because of their ability to model trend and seasonal fluctuations present in economic data, particularly in retail sales data. In order to evaluate the predictive capacity of the three methodologies adopted, several evaluation measures are used, namely MSE, RMSE, MAPE, MASE and U-Theil statistic. The results of this comparative study suggest that multiple linear regression models are not the most appropriate to forecast retail sales indexes, while SARIMA models are identified as the most accurate ones. Although not considered the most appropriate, Holt-Winters models are also a viable alternative.