Métodos de Previsão Aplicados

A unidade curricular de Métodos de Previsão Aplicados está suportada nos conteúdos fundamentais de Estatística. Os conhecimentos de programação proporcionados pela unidade curricular de Programação para Ciência de Dados são uma mais-valia.

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. A ferramenta informática a usar será, predominantemente, o Google Colab com a linguagem Python.

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 da aulas, com o início ou conclusão das tarefas acordadas em aula.

Todos os materiais de apoio são disponibilizados na plataforma InforEstudande|Nonio, usando-se, complementarmente, a plataforma Teams do Microsoft Office 365, ambas com o acesso institucional disponibilizado pela Coimbra Business School|ISCAC.

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.

Objetivos:

• Delinear de um projeto de previsão envolvendo dados temporais e métodos de previsão quantitativos.
• Analisar, de forma crítica, os dados atendendo ao objetivo de previsão definido.
• Efetuar as previsões pretendidas, seguindo as boas-práticas de avaliação da capacidade preditiva dos modelos considerados. 

Competências

• Recolher e efetuar a análise exploratória dos dados temporais com o objetivo de fazer previsão.
• Identificar potenciais problemas que interfiram na qualidade dos dados e efetuar o tratamento devido.
• Identificar e aplicar, os métodos de previsão quantitativos (causais ou não causais) adequados a casos concretos.
• Validar os pressupostos e sinalizar as limitações dos métodos aplicados para a obtenção de modelos.
• Avaliar a capacidade preditiva dos modelos obtidos e proceder à seleção do mais adequado.
• Usar uma ferramenta informática para apoio ao processo de análise e previsão.
• Apresentar e discutir os resultados obtidos no processo de análise e previsão.

1. Descrição de séries temporais e pré-processamento
    1.1.  Análise exploratória
    1.2.  Decomposição
    1.3.  Pré-processamento

2. Previsão de séries temporais
    2.1.  Ferramentas: conceitos, procedimentos e medidas
    2.2.  Alisamento exponencial
    2.3.  Modelos ARIMA
    2.4.  Modelos de regressão dinâmicos
    2.5.  Métodos avançados de previsão

NAO

Fundamental:

• Hyndman, R.J., Athanasopoulos, G. (2021). Forecasting: Principles and Practice, 3rd edition. OTexts. https://otexts.com/fpp3/
• Nielsen, A. (2019). Practical Time Series Analysis: Prediction with Statistics and Machine Learning. O’Reilly Media.

Complementar:

• Box, G.E., Jenkins, G.M., Reinsel G.C. (2015). Time Series Analysis: Forecasting and Control, 4th edition. Wiley.
• Gilliland, M., Tashman, L., Sglavo, U. (2021). Business Forecasting: The Emerging Role of Artificial Intelligence and Machine Learning. Wiley.
• 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
• Kolassa, S., Rostami-Tabar, B., Siemsen, E. (2023). Demand Forecasting for Executives and Professionals. CRC Press. https://dfep.netlify.app/
• Joseph, M. (2022). Modern Time Series Forecasting with Python. Packt Publishing.
• Peixeiro, M. (2022). Time Series Forecasting in Python. Manning.
• Petropoulos, F. et al. (2022). Forecasting: theory and practice. International Journal of Forecasting, 38, 705-871. https://doi.org/10.1016/j.ijforecast.2021.11.001