Análise e Previsão de Séries Temporais

Métodos de Ensino

As aulas são, de acordo com o que está determinado no plano curricular, teórico-práticas, planeadas e preparadas para terem um
envolvimento ativo do estudante em vários momentos ou na totalidade da aula.
Na parte teórica, de introdução de conceitos, resultados fundamentais e métodos, será usado, tendencialmente, o método expositivo
intercalado com tarefas que suscitem uma participação mais ativa de todos os estudantes. Estas tarefas incluem a colocação de questões
aos e pelos estudantes, de forma oral e/ou numa plataforma, e também com a proposta de debate/discussão em pequenos grupos sobre
algum aspeto/tópico exposto.
A parte prática será destinada ao desenvolvimento pleno das competências elencadas, através da exemplificação comentada de
procedimentos e/ou da resolução de problemas sob orientação/tutoria do docente, incentivando-se o trabalho autónomo ou em pequenos
grupos, evoluindo para uma aprendizagem baseada em projeto, com a realização do trabalho. Far-se-á prevalecer uma forte interação
entre a teoria e a prática, dando, tanto quanto possível, um papel central à visualização e ao tratamento de situações concretas e reais.
O bom acompanhamento das aulas por parte do estudante pressupõe uma presença assídua nas aulas e disponibilidade para que o seu
envolvimento se mantenha para além das aulas, com o início ou conclusão das tarefas acordadas em aula.

Resultados de Aprendizagem

As tarefas de descrição de dados e previsão envolvem, com frequência, dados em que a componente temporal não pode ser
negligenciada. Assim, nesta unidade curricular, o foco está nos dados em série temporal, pretendendo-se que o estudante seja capaz de:
O1) Explicar os conceitos?chave da análise e previsão de séries temporais.
O2) Executar a análise exploratória e respetivo tratamento dos dados de séries temporais, atendendo aos objetivos de análise e/ou
previsão definidos.
O3) Selecionar, aplicar e comparar métodos de previsão adequados às séries temporais, avaliando, criticamente e seguindo as melhores
práticas, a capacidade preditiva dos modelos obtidos.
O4) Conceber, implementar e comunicar uma solução de previsão completa para séries temporais, justificando as decisões metodológicas
tomadas.

Programa

1. Análise de séries temporais
1.1. Introdução: definição, componentes, autocorrelação, estacionaridade e visualizações
1.2. Decomposição: modelos, métodos (clássico e STL) e aplicações
1.3. Preparação: agregação temporal, ajustamentos, transformações, extração de variáveis, valores em falta e outliers
2. Previsão de séries temporais
2.1. Introdução: conceitos base, notação, tipologias de previsão, previsão estatística
2.2. Métodos estatísticos: elementares, alisamento exponencial e ETS, ARIMA e SARIMA
2.3. Avaliação da capacidade preditiva: procedimentos e medidas
2.4. Extensões: seleção automática de modelos e previsão com variáveis exógenas

Estágio(s)

NAO

Bibliografia

Hyndman, R. J., Athanasopoulos, G., Garza, A., Challu, C., Mergenthaler, M., & Olivares, K. G. (2024). Forecasting: Principles and
practice, the Pythonic way. OTexts. https://otexts.com/fpppy/
Hewamalage, H., Ackermann, K., & Bergmeir, C. (2023). Forecast evaluation for data scientists: Common pitfalls and best practices. Data
Mining and Knowledge Discovery, 37, 788-832. https://doi.org/10.1007/s10618-022-00894-5
Huang, C., & Petukhina, A. (2022). Applied time series analysis and forecasting with Python. Springer.
Kolassa, S., Rostami-Tabar, B., & Siemsen, E. (2023). Demand forecasting for executives and professionals. CRC Press.
https://dfep.netlify.app/
Peixeiro, M. (2022). Time series forecasting in Python. Manning.