This paper was published through Galoá and has a deposited DOI. To cite this paper, use one of the standards below:
In case you are one of the co-authors and want to register this paper in your Lattes, use the following code: doi > 10.59254/sbpo-2019-106851
If you've NEVER registered a DOI in your Lattes, check our tutorial!Os algoritmos de Bagging (Bootstrap Aggregation), métodos de aprendizagem semi-supervisionada que constroem um conjunto de classificadores por Bootstrap e posteriormente classificam novos pontos de dados combinando previsões por meio de algum voto ponderado, têm recebido particular atenção no contexto de séries temporais. Suas aplicações para séries de energia, contudo, ainda são relativamente escassas e não há consenso sobre qual algoritmo oferece maiores ganhos de acurácia quando combinados a diferentes métodos de previsão. Utilizando-se três diferentes variações de Bagging e suas combinações com até 30 métodos distintos de amortecimento exponencial, o presente trabalho busca aprimorar as previsões pontuais de abastecimento total de energia elétrica em 30 diferentes países da OCDE. Os ensaios são conduzidos em diferentes horizontes temporais (curto, médio e longo prazo), a fim de se testar a robustez dos métodos e sua performance frente a diferentes benchmarks. Resultados e implicações em termos de tomada de decisão são posteriormente discutidos.
With nearly 200,000 papers published, Galoá empowers scholars to share and discover cutting-edge research through our streamlined and accessible academic publishing platform.
Learn more about our products:
This proceedings is identified by a DOI , for use in citations or bibliographic references. Attention: this is not a DOI for the paper and as such cannot be used in Lattes to identify a particular work.
Check the link "How to cite" in the paper's page, to see how to properly cite the paper