Aperfeiçoamento da previsão global em séries temporais caóticas

A previsão de valores futuros em séries temporais produzidas por sistemas caóticos pode ser aplicada em diversas áreas do conhecimento como Astronomia, Economia, Física, Medicina, Meteorologia e Oceanografia. O método empregado consiste na reconstrução do espaço de fase seguido de um termo de melhoria da previsão. As rotinas utilizadas para a previsão e análise nesta linha de pesquisa fazem parte do pacote TimeS, que apresenta resultados encorajadores nas suas aplicações. O aperfeiçoamento das rotinas computacionais do pacote com vistas à melhoria da acurácia obtida e à redução do tempo computacional é construído a partir da investigação criteriosa da minimização empregada na obtenção do mapa global. As bases matemáticas são estabelecidas e novas rotinas computacionais são criadas. São ampliadas as possibilidades de funções de ajuste que podem incluir termos transcendentais nos componentes dos vetores reconstruídos e também possuir termos lineares ou não lineares nos parâmetros de ajuste. O ganho de eficiência atingido permite a realização de previsões e análises que respondem a perguntas importantes relacionadas ao método de previsão e ampliam a possibilidade de aplicações a séries reais.

The prediction of future values in temporal series produced by chaotic systems can be applied on several fields of knowledge, such as Astronomy, Economics, Physics, Medicine, Meteorology, and Oceanography. The applied method consists on the reconstruction of the phase space, followed by an improvement term of the forecasting. The routines used for the prediction and analysis of this line of research are part of the TimeS package, which presents encouraging results on their applications. The improvement of the computational routines from the package TimeS is built from the thorough investigation of the minimization applied on obtaining the global map and aims for the enhancement of the accuracy and reduction of computational times. The mathematical basis is established and computational tasks are created. The possibilities of adjust functions are amplified, which can include transcendental terms on the rebuilt vectors components and also possess linear or non-linear terms on the adjustment parameters. The improvement allows more accurate predictions and analysis, which answer important questions regarding prediction methods and improve the possibilities of application on real series.