Lídio Mauro Lima de Campos 
, Jherson Haryson Almeida Pereira, Danilo Souza Duarte & Roberto Célio Limão de Oliveira
Resumo: O objetivo deste artigo é introduzir uma abordagem inspirada biologicamente que possa gerar automaticamente redes neurais profundas com boa capacidade de previsão, menor erro e grande tolerância a ruídos. Para tanto, foram utilizados três paradigmas biológicos: Algoritmo Genético (GA), Sistema Lindenmayer e Redes Neurais. As seções finais do artigo apresentam alguns experimentos com o objetivo de investigar as possibilidades do método na previsão do preço da energia no mercado brasileiro. O modelo proposto considera uma previsão de preço em várias etapas (12, 24 e 36 semanas a frente). Os resultados para redes MLP e LSTM mostram boa capacidade de prever picos e precisão satisfatória de acordo com medidas de erro comparadas com outros métodos.
Palavras-chave: NeuroEvolução, Previsão de séries temporais; redes neurais recorrentes, redes LSTM.
Abstract: The aim of this paper is to introduce a biologically inspired approach that can automatically generate Deep Neural networks with good prediction capacity, smaller error and large tolerance to noises. In order to do this, three biological paradims were used: Genetic Algorithm (GA), Lindenmayer System and Neural Networks (DNNs). The final sections of the paper presents some experiments aimed at investigating the possibilities of the method in forecast the price of energy in the Brazilian market. The proposed model considers a multi-step ahead price prediction (12, 24, and 36 weeks-ahead). The results for MLP and LSTM networks show good ability to predict peaks and satisfactory accuracy according to error measures comparing with other methods.
Keywords: NeuroEvolution; Time series forecasting; recurrent neural networks, LSTM networks.
DOI code: 10.21528/lnlm-vol18-no2-art4
PDF file: vol18-no2-art4.pdf
BibTex file: vol18-no2-art4.bib