Título: Explorando causalidade na seleção de variáveis para previsão de séries temporais multivariadas
Autores: Patrícia O. Lucas, Eduardo M. A. M. Mendes, Frederico G. Guimaraes
Resumo: A previsão de séries temporais desempenha um papel fundamental em diversos setores, fornecendo insights valiosos para o planejamento e tomada de decisões em várias áreas de aplicação. A seleção de características em series temporais e, por sua vez, um componente crucial no pipeline de aprendizado de maquina. Ao selecionar cuidadosamente um conjunto apropriado de variaveis, os modelos de aprendizado de máquina podem aumentar a precisão da previsão, reduzir o tempo de processamento e melhorar a interpretabilidade. Neste estudo, comparamos o método de descoberta causal PCMCI (Peter and Clark Momentary Conditional Independence) com outros métodos de seleção de características não causais, como Correlação, Algoritmos Genéticos e regularização LASSO. Tr esconjuntos de dados do mundo real são usados nos experimentos de acordo com tres resultados principais: tamanho do gráfico gerado (numero de varíaveis selecionadas), tempo de execução e precisão da previsão em diferentes horizontes de 1, 3 e 5 passos a frente. Os resultados mostram a capacidade do PCMCI em ` gerar modelos de previsão mais enxutos, proporcionando maior interpretabilidade e reduzindo a suscetibilidade ao sobre-ajuste
Palavras-chave: Series temporais, previsão, seleção de características, descoberta causal, PCMCI
Páginas: 7
Código DOI: 10.21528/CBIC2023-043
Artigo em pdf: CBIC_2023_paper043.pdf
Arquivo BibTeX: CBIC_2023_043.bib