IntellTech Intelligent Technologies

IntellTech apresenta pesquisa na Área de Previsão de Séries Temporais

Antecipar eventos futuros é do interesse da humanidade desde os primórdios de sua existência. No ramo da Engenharia Geotécnica isso não é diferente. Antecipar condições inseguras pode permitir aos responsáveis mitigar riscos, seja executando obras de engenharia, manutenções preventivas em estruturas ou, em casos extremos, evacuando localidades.

Neste sentido, muitos ramos da ciência buscam construir ferramentas que permitam tais antecipações, um deles é a Análise de Series Temporais, cujo um dos objetivos é o forecasting. Resumidamente, este ramo da ciência consiste em, dada uma sequência de observações de uma ou mais variáveis tomadas no decorrer do tempo, extrair informações relevantes destas séries, sendo que, no contexto do forecasting, objetiva-se estimar as observações ainda a serem tomadas.

A IntellTech se esforça para disponibilizar o que há de mais acurado e atual a seus parceiros, incluindo o que é relacionado a modelagem de séries temporais. O SHMS já possui ferramentas para forecasting, contudo, em busca de melhoria permanente, há pesquisas contínuas na área em busca de novos modelos e algoritmos de forma a sempre prover a informação mais assertiva possível aos tomadores de decisão.

Como parte disso, no dia 23 de abril, a IntellTech participou de um seminário interno da maior universidade EAD da Inglaterra, a The Open University, apresentando as pesquisas internas na Área de Previsão de Séries Temporais.

A Pesquisa apresentada pela Intelltech consiste em utilizar um método de modelagem chamado DBSTAR para a predição de séries temporais e aplicar a leituras de instrumentos e comparar o desempenho preditivo com o WARIMAX, que é uma família de modelos estatísticos para modelar os dados de séries temporais, juntamente ao GARCH, que prevê assertivamente como os dados irão variar no futuro, complementando o WARIMAX com a geração de uma informação mais precisa.

A modelagem DBSTAR cria um conjunto de modelos dinâmicos bayesianos autorregressivos com um critério de transição suave entre eles. Atualmente esse modelo foi aplicado em uma serie real de piezometria, validando a assertividade do forecasting gerado por esse modelo para séries temporais do mundo real, para a posterior disponibilização ao cliente no SHMS.