Logística/Técnicas de previsão/Redes neuronais

As redes neuronais artificiais são baseadas em modelos matemáticos simples da forma expectável do funcionamento do cérebro humano. Quando aplicadas a séries cronológicas, permitem criar um modelo de previsão não linear. A previsão por redes neuronais apesar de requerer,geralmente, um número de observações mais elevado do que outros métodos, permite o ajuste de modelos mais flexíveis e complicados. Os analistas que usam este método adoptam uma terminologia bastante diferente da usada por outros métodos em técnicas de previsão, o que conduz a alguma confusão. Por exemplo, em vez de modelo, parâmetros e cálculo de parâmetros tem-se rede, pesos e treino da rede, respectivamente. Uma rede neuronal pode ser vista como uma rede de unidades parecidas com os neurónios organizada por camadas. A camada inferior consiste num conjunto de unidades de input enquanto que, a camada superior consiste num conjunto de unidades de output. As unidades de cada camada estão ligadas às unidades das camadas superiores(Makridakis et al., 1998, p. 435-439).

A especificação de uma rede neuronal é feita através dos seguintes componentes:

• Arquitectura. Número de camadas e unidades na rede e a forma de ligação.

• Funções de activação. Descrevem como cada unidade combina os inputs para gerar um output.

• Função custo. Medida de exactidão da previsão, por exemplo, a Estimativa dos Mínimos Quadrados (MSE).

• Algoritmo de treino. Procura os valores dos parâmetros que minimizam a função custo.

O poder desta ferramenta pode ser visto quando se adicionam camadas intermédias que consistem em unidades não lineares escondidas entre os inputs e os outputs.

A resposta de uma unidade é denominada de valor de activação. A escolha da função de activação não linear recai, normalmente, numa combinação de uma função linear dos inputs seguida de uma função squashing não linear denominada sigmoid. Por exemplo, os inputs de uma unidade escondida, podem ser combinados linearmente para dar:

$Z=b+\sum _{i=1}^{p}wiY_{t-1}$

que, por sua vez, é um input de uma função não linear:

$S(Z)={\frac {1}{1+e^{-aZ}}}$

Um benefício da função sigmoid é o facto de reduzir o efeito de valores extremos de input, conferindo, desta forma, um certo grau de robusteza à rede.

A camada de input de uma rede consiste, normalmente, em tantas variáveis explicativas quanto razoavelmente possível em adição a valores desfasados da série cronológica. Para dados sazonais, é prática geral ter tantos inputs desfasados quantos os períodos da sazonalidade. O número de unidades na camada de output corresponde ao número de variáveis a prever.

Uma desvantagem dos métodos de redes neuronais é o facto de não permitirem muita compreensão dos dados uma vez que não existe um modelo explícito. Permitem uma abordagem black box à previsão. Por outro lado, pode funcionar em situações onde uma abordagem baseada num modelo explícito falhe. De facto, as redes neuronais são encaradas como uma esperança em adaptar irregularidades e características incomuns na série cronológica em estudo.