|
|
Registros recuperados : 85 | |
4. | | MILORI, D. M. B. P.; VILLAS-BOAS, P. R. Avaliação da idade de solos usando a técnica LIBS. In: SIMPÓSIO NACIONAL DE INSTRUMENTAÇÃO AGROPECUÁRIA, 2014, São Carlos, SP Anais do SIAGRO: ciência, inovação e mercado 2014. São Carlos, SP: Embrapa Instrumentação, 2014. p. 585-588. Editores: Carlos Manoel Pedro Vaz, Débora Marcondes Bastos Pereira Milori, Silvio Crestana. Biblioteca(s): Embrapa Instrumentação. |
| |
5. | | VILLAS-BOAS, P. R.; CRESTANA, S.; POSADAS, A. Modelagem e simulação In: NAIME, J. de M.; MATTOSO, L. H. C.; SILVA. W. T. L. da; CRUVINEL, P. E.; MARTIN-NETO, L.; CRESTANA, S. (Ed.). Conceitos e aplicações da instrumentação para o avanço da agricultura. Brasília, DF: Embrapa, 2014. p. 359-388. Biblioteca(s): Embrapa Instrumentação. |
| |
7. | | VALOIS, P. H. V.; VILLAS BOAS, P. R. Estudo da relação entre a linha de base espectral com a densidade de elétrons e temperatura de um plasma pela técnica de espectroscopia de emissão de plasma induzida por laser. In: JORNADA CIENTÍFICA - EMBRAPA SÃO CARLOS, 9., 2017, São Carlos, SP. Anais... São Carlos: Embrapa Pecuária Sudeste: Embrapa Instrumentação, 2017. p. 17. Editores técnicos: Alexandre Berndt, Ana Rita de Araujo Nogueira, Bianca Baccili Zanotto Vigna, Juliana Gonçalves Costa, Lea Chapaval, Manuel Antonio Chagas Jacinto, Patricia Menezes Santos. (Embrapa Pecuária Sudeste, Documentos, 126). Biblioteca(s): Embrapa Instrumentação. |
| |
10. | | GABATO, M. M.; MILORI, D. M. B. P.; VILLAS-BOAS, P. R. Avaliação do teor de carbono em solos tratados com torta de filtro e cinza de bagaço de cana-de-açúcar. In: JORNADA CIENTÍFICA - EMBRAPA SÃO CARLOS, 6., 2014, São Carlos, SP Anais... São Carlos: Embrapa Instrumentação: Embrapa Pecuária Sudeste, 2014. p. 44. Editores técnicos: João de Mendonça Naime, Caue Ribeiro, Maria Alice Martins, Elaine Cristina Paris, Paulino Ribeiro Villas Boas, Ladislau Marcelino Rabello. (Embrapa Instrumentação. Documentos, 57). Biblioteca(s): Embrapa Instrumentação. |
| |
11. | | SILVA, K. S. G. da; VILLAS-BOAS, P. R.; MILORI, D. M. B. P. Desenvolvimento de software para controle de equipamento de fluorescência induzida por lazer para análises agroambientais. In: JORNADA CIENTÍFICA - EMBRAPA SÃO CARLOS, 10., 2018, São Carlos, SP. Anais... São Carlos: Embrapa Instrumentação: Embrapa Pecuária Sudeste, 2018. p. 84. Editores técnicos: Daniel Souza Corrêa, Elaine Cristina Paris, Maria Alice Martins, Paulino Ribeiro Villas Boas, Wilson Tadeu Lopes da Silva. (Embrapa Instrumentação. Documentos, 68). (Embrapa Instrumentação. Documentos, 68). Biblioteca(s): Embrapa Instrumentação. |
| |
12. | | FRANCO, M. A. de M. CAMPOS, M.; VILLAS-BOAS, P. R.; MILORI, D. M. B. P. Modelagem multivariada de espectros LIBS para detecção de traço de cobre em amostras de solo. In: SIMPÓSIO NACIONAL DE INSTRUMENTAÇÃO AGROPECUÁRIA, 2014, São Carlos, SP Anais do SIAGRO: ciência, inovação e mercado 2014. São Carlos, SP: Embrapa Instrumentação, 2014. p. 637-640. Editores: Carlos Manoel Pedro Vaz, Débora Marcondes Bastos Pereira Milori, Silvio Crestana. Biblioteca(s): Embrapa Instrumentação. |
| |
15. | | CAMARGO, G. E. O.; MILORI, D. M. B. P.; VILLAS-BOAS, P. R. V. Photon-Citrus: espectroscopia de fluorescência como ferramenta de diagnóstico precoce de huanglongbing (HLB) em citros. In: JORNADA CIENTÍFICA - EMBRAPA SÃO CARLOS, 11., 2019, São Carlos, SP. Anais... São Carlos: Embrapa Pecuária Sudeste: Embrapa Instrumentação, 2019. Editores técnicos: Alexandre Berndt, Ana Rita de Araujo Nogueira, Lea Chapaval, Marcelo Mattos Cavallari, Manuel Antonio Chagas Jacinto. 48 Embrapa Pecuária Sudeste. Documentos,134. Biblioteca(s): Embrapa Instrumentação. |
| |
16. | | FRAGALLI, A.; CAMPOS, M.; MILORI, D. M. B. P.; VILLAS-BOAS, P. R. Projeto de um gerador de atraso digital microcontrolado. In: SIMPÓSIO NACIONAL DE INSTRUMENTAÇÃO AGROPECUÁRIA, 2014, São Carlos, SP Anais do SIAGRO: ciência, inovação e mercado 2014. São Carlos, SP: Embrapa Instrumentação, 2014. p. 313-316. Editores: Carlos Manoel Pedro Vaz, Débora Marcondes Bastos Pereira Milori, Silvio Crestana. Biblioteca(s): Embrapa Instrumentação. |
| |
17. | | STENIO, K.; VILLAS-BOAS, P. R.; MILORI, D. M. B. P. Projeto e construção de um protótipo de LIBS de bancada compacto para análises agroambientais. In: SIMPÓSIO NACIONAL DE INSTRUMENTAÇÃO AGROPECUÁRIA, 4., 2019, São Carlos, SP. Ciência, inovação e mercado: anais. São Carlos, SP: Embrapa Instrumentação, 2019. Editores: Paulino Ribeiro Villas-Boas, Maria Alice Martins, Débora Marcondes Bastos Pereira Milori, Ladislau Martin Neto. SIAGRO 2019. 185-189 Biblioteca(s): Embrapa Instrumentação. |
| |
20. | | BORDUCHI, L. C. L.; MILORI, D. M. B. P.; VILLAS-BOAS, P. R. Quantificação de cálcio, magnésio e ferro em folhas de soja através da técnica LIBS utilizando o one-point calibration. In: SIMPÓSIO NACIONAL DE INSTRUMENTAÇÃO AGROPECUÁRIA, 4., 2019, São Carlos, SP. Ciência, inovação e mercado: anais. São Carlos, SP: Embrapa Instrumentação, 2019. Editores: Paulino Ribeiro Villas-Boas, Maria Alice Martins, Débora Marcondes Bastos Pereira Milori, Ladislau Martin Neto. SIAGRO 2019. Biblioteca(s): Embrapa Instrumentação. |
| |
Registros recuperados : 85 | |
|
|
Registro Completo
Biblioteca(s): |
Embrapa Instrumentação. |
Data corrente: |
01/12/2023 |
Data da última atualização: |
15/01/2024 |
Tipo da produção científica: |
Artigo em Anais de Congresso |
Autoria: |
MIELKE, L. V.; VILLAS BOAS, P. R. |
Afiliação: |
ICMC - USP; PAULINO RIBEIRO VILLAS BOAS, CNPDIA. |
Título: |
Uso de Modelos de Decomposicão em Componentes Não Observáveis para predição de séries temporais não estacionárias de commodities agrícolas. |
Ano de publicação: |
2023 |
Fonte/Imprenta: |
In: II WORKSHOP DE MATEMÁTICA, ESTATÍSTICA E COMPUTAÇÃO APLICADAS À INDÚSTRIA - WMECAI, 2023, São Carlos, SP. |
Páginas: |
4 p. |
Idioma: |
Português |
Conteúdo: |
A predição de séries temporais é frequentemente feita por Modelos Autoregressivos de Médias Móveis (ARMA, Autoregressive Moving Average em inglês) sendo a principal desvantagem desses modelos o requisito de que as séries temporais estudadas sejam estacionárias, o que frequentemente nao ocorre [1]. Para contornar esse problema, geralmente são feitos processos de diferenciacão de dados, que podem ser feitos diretamente no conjunto de dados ao se calcular a diferença do valor da variável no passo t com o valor do passo anterior t − 1 [4], ou configurando os modelos para diferenciar sucessivamente a série analisada até ela se tornar estacionária, como no caso dos Modelos Autorregressivos Integrados de Médias Móveis (ARIMA, Autoregressive Integrated Moving Average, em inglês) e suas variações [3]. Apesar da possibilidade de diferenciação, os resultados dos modelos ARIMA continuam sendo sensíveis a dados perturbados e que não se desenvolvem ao redor de uma média constante [3]. Diante disso, os Modelos de Decomposico em Componentes Não Observáveis (UCM, Unobserved Component Model, em Inglês) surgem como uma alternativa promissora a esses modelos por não assumirem estacionariedade dos dados, além disso, os modelos UCM podem ser compreendidos em componentes de tendência, ciclo e perturbação, o que os torna especialmente úteis para analisar séries que possuem ciclo, como é o caso das culturas agrícolas [1]. Diante disso, o objetivo desse estudo foi comparar o desempenho de Modelos de Decomposição em Componentes Não Observáveis com o desempenho de Modelos Autoregressivos de Médias Móveis para a predição. MenosA predição de séries temporais é frequentemente feita por Modelos Autoregressivos de Médias Móveis (ARMA, Autoregressive Moving Average em inglês) sendo a principal desvantagem desses modelos o requisito de que as séries temporais estudadas sejam estacionárias, o que frequentemente nao ocorre [1]. Para contornar esse problema, geralmente são feitos processos de diferenciacão de dados, que podem ser feitos diretamente no conjunto de dados ao se calcular a diferença do valor da variável no passo t com o valor do passo anterior t − 1 [4], ou configurando os modelos para diferenciar sucessivamente a série analisada até ela se tornar estacionária, como no caso dos Modelos Autorregressivos Integrados de Médias Móveis (ARIMA, Autoregressive Integrated Moving Average, em inglês) e suas variações [3]. Apesar da possibilidade de diferenciação, os resultados dos modelos ARIMA continuam sendo sensíveis a dados perturbados e que não se desenvolvem ao redor de uma média constante [3]. Diante disso, os Modelos de Decomposico em Componentes Não Observáveis (UCM, Unobserved Component Model, em Inglês) surgem como uma alternativa promissora a esses modelos por não assumirem estacionariedade dos dados, além disso, os modelos UCM podem ser compreendidos em componentes de tendência, ciclo e perturbação, o que os torna especialmente úteis para analisar séries que possuem ciclo, como é o caso das culturas agrícolas [1]. Diante disso, o objetivo desse estudo foi comparar o desempenho de Modelos de ... Mostrar Tudo |
Palavras-Chave: |
Estacionariedade; Modelos Autoregressivos de Médias Móveis. |
Categoria do assunto: |
-- |
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/doc/1159045/1/P-Uso-de-Modelos-de-Decomposicao-em-Componentes-Nao-Observaveis.pdf
|
Marc: |
LEADER 02307nam a2200157 a 4500 001 2159045 005 2024-01-15 008 2023 bl uuuu u00u1 u #d 100 1 $aMIELKE, L. V. 245 $aUso de Modelos de Decomposicão em Componentes Não Observáveis para predição de séries temporais não estacionárias de commodities agrícolas.$h[electronic resource] 260 $aIn: II WORKSHOP DE MATEMÁTICA, ESTATÍSTICA E COMPUTAÇÃO APLICADAS À INDÚSTRIA - WMECAI, 2023, São Carlos$c2023 300 $a4 p. 520 $aA predição de séries temporais é frequentemente feita por Modelos Autoregressivos de Médias Móveis (ARMA, Autoregressive Moving Average em inglês) sendo a principal desvantagem desses modelos o requisito de que as séries temporais estudadas sejam estacionárias, o que frequentemente nao ocorre [1]. Para contornar esse problema, geralmente são feitos processos de diferenciacão de dados, que podem ser feitos diretamente no conjunto de dados ao se calcular a diferença do valor da variável no passo t com o valor do passo anterior t − 1 [4], ou configurando os modelos para diferenciar sucessivamente a série analisada até ela se tornar estacionária, como no caso dos Modelos Autorregressivos Integrados de Médias Móveis (ARIMA, Autoregressive Integrated Moving Average, em inglês) e suas variações [3]. Apesar da possibilidade de diferenciação, os resultados dos modelos ARIMA continuam sendo sensíveis a dados perturbados e que não se desenvolvem ao redor de uma média constante [3]. Diante disso, os Modelos de Decomposico em Componentes Não Observáveis (UCM, Unobserved Component Model, em Inglês) surgem como uma alternativa promissora a esses modelos por não assumirem estacionariedade dos dados, além disso, os modelos UCM podem ser compreendidos em componentes de tendência, ciclo e perturbação, o que os torna especialmente úteis para analisar séries que possuem ciclo, como é o caso das culturas agrícolas [1]. Diante disso, o objetivo desse estudo foi comparar o desempenho de Modelos de Decomposição em Componentes Não Observáveis com o desempenho de Modelos Autoregressivos de Médias Móveis para a predição. 653 $aEstacionariedade 653 $aModelos Autoregressivos de Médias Móveis 700 1 $aVILLAS BOAS, P. R.
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Instrumentação (CNPDIA) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
Nenhum registro encontrado para a expressão de busca informada. |
|
|