Template baseado no guia Nortese 2016, para a escrita da qualificação e a tese do programa de pós graduação em instrumentação e óptica aplicada do CEFET/RJ.
\documentclass[english]{nortese} %for nortese in EN-US
%\documentclass[brazil]{nortese} %for nortese in PT-BR
% Nota: Para o documento em inglês deixe a linha 1 padrão
% Nota: Para o documento em português deixe a linha 1 comentada (%) e a linha 2 ativa.
%Bib references file
\bibfile{references.bib}
%-----------------------------------------------
% Definitions
%-----------------------------------------------
\newcommand\ddate{Abril 2020} %data
\newcommand\ddoc{\GetTranslation{thesis}} % dissertation ou thesis (já é traduzida para o português automaticamente pela linha 2 do código)
%\newcommand\ddoc{\GetTranslation{thesis}}
\newcommand\ddegree{\GetTranslation{doctor}} % master ou doctor (já é traduzida para o português automaticamente pela linha 2 do código)
%\newcommand\ddegree{\GetTranslation{doctor}}
\newcommand\dmajor{\GetTranslation{gio}} %programa PP(GIO)
%\newcommand\dmajor{\GetTranslation{gio}}
\newcommand\dtitle{Titulo A} % título capa e contra capa
\newcommand\dtitlept{Titulo B} % título em português
\newcommand\dtitleen{Title C} % título em inglês
\newcommand\dauthor{aluno} %nome do autor
\newcommand\dadvisor{orientador} %nome do orientador
\newcommand\dcoadvisor{co-orientador} %nome do co-orientador
\newcommand\djury{
\HRule \\ \GetTranslation{president}, Professor D.Sc. A (CEFET/RJ) (\GetTranslation{advisor}) \\[0.8cm]
\HRule \\ Professor D.Sc. B (affil) (\GetTranslation{coadvisor})\\[0.8cm]
\HRule \\ Professor D.Sc. C (affil) \\[0.8cm]
\HRule \\ Professor Ph.D. D (affil) \\[0.8cm]
\HRule \\ Professor Dr. E (affil) \\[2cm]
} % colocar os membros da banca: Nome e Afiliação (instituição de origem)
%-----------------------------------------------
% Abreviations
%-----------------------------------------------
\newacro{PPGIO}{Programa de Pós-graduação em Instrumentação e Óptica Aplicada}
\newacro{Ipea}{Institute of Applied Economic Research of Brazil}
\newacro{AR(1)}{first order autoregressive model}
\newacro{ARIMA}{autoregressive integrated moving average}
\newacro{MLM}{machine learning methods}
\newacro{LM}{linear models}
\newacro{CRAN}{The Comprehensive R Archive Network}
\begin{document}
%-----------------------------------------------
% Pre-textual elements
%-----------------------------------------------
\pagenumbering{gobble}
\dcover
\dsignatures
\dlibrary{ficha.pdf} %inserir a ficha catalográfica em formato .pdf, fornecido pela biblioteca.
\ddedicatory{
\justify \normalsize
Dedicatoria.
} %dedicátória
\dacknowledgment{
O presente trabalho foi desenvolvido com o apoio da Coordenação de Aperfeicionamento de Pessoal de Nível Superior - Brasil (CAPES) - Finance Code 001.\\
Agradecimentos adicionais.\\
\\
} % se bolsista, incluir a nota de agradecimento, conforme resolução da CAPES. Portaria nº 206, de 4 de setembro de 2018, comunica que é obrigatório inserir um agradecimento referente ao apoio recebido pela Instituição.
\dresumo{Pré-processamento de dados é um passo crucial para mineração e aprendizado a partir de dados, e uma de suas atividades principais é a transformação de dados. Esta atividade é particularmente importante no contexto de previsão de séries temporais já que a maioria dos modelos de séries temporais assume a propriedade de estacionariedade, i.e., propriedades estatísticas não mudam ao longo do tempo, o que na prática é a exceção e não a regra para a maioria dos conjuntos de dados. Existem vários métodos de transformação desenvolvidos para tratar a não-estacionariedade em séries temporais. Entretanto, a escolha de uma transformação que seja apropriada ao modelo de dados e à série temporal de uma aplicação em particular não é uma tarefa simples. Este trabalho fornece um estudo e uma análise experimental de métodos para transformação de séries temporais não-estacionárias. O foco deste trabalho é prover conhecimento relacionado ao tópico e uma discussão quanto às suas vantagens e limitações para com o problema de previsão de séries temporais. O conhecimento adquirido neste estudo foi encapsulado em um framework sistemático para análise, comparação e seleção de configurações transformação-modelo para previsão de séries temporais não-estacionárias. Um subconjunto dos métodos de transformação estudados é comparado através de uma avaliação experimental usando-se conjuntos de dados referenciais advindos de competições de previsão de séries temporais e outros conjuntos de dados macroeconômicos. Métodos de transformação de séries temporais não-estacionárias adequados forneceram melhorias de mais de 30\% em acurácia de previsão para metade das séries temporais avaliadas e melhoraram a previsão em mais de 95\% para 10\% das séries temporais. Além disso, a adoção de uma fase de validação durante o treinamento de modelos permite a seleção de métodos de transformação adequados.}{Não-estacionariedade; Séries temporais; Transformação de dados; Previsão; Framework}
\dabstract{Data preprocessing is a crucial step for mining and learning from data, and one of its primary activities is the transformation of data. This activity is very important in the context of time series prediction since most time series models assume the property of stationarity, i.e., statistical properties do not change over time, which in practice is the exception and not the rule in most real datasets. There are several transformation methods designed to treat nonstationarity in time series. However, the choice of a transformation that is appropriate to a particular data model and time series of an application is not a simple task. This work provides a review and experimental analysis of methods for transformation of nonstationary time series. The focus of this work is to provide a background on the subject and a discussion on their advantages and limitations to the problem of time series prediction. Knowledge acquired in this review has been encapsulated in a systematic framework for benchmarking and selecting adequate transformation-model setups for nonstationary time series prediction. A subset of the reviewed transformation methods is compared through an experimental evaluation using benchmark datasets from time series prediction competitions and other real macroeconomic datasets. Suitable nonstationary time series transformation methods provided improvements of more than 30\% in prediction accuracy for half of the evaluated time series and improved the prediction in more than 95\% for 10\% of the time series. Furthermore, the adoption of a validation phase during model training enables the selection of suitable transformation methods.}{Nonstationarity; Time series; Transformation methods; Prediction; Framework}
\dtables
\pagenumbering{arabic}
\setcounter{page}{14} %EDIT page number of Introduction
\justifying
%-----------------------------------------------
% Chapters (Na pasta "Textuais" estão os capítulos, separados conforme numeração e ordem).
%-----------------------------------------------
%-----------------------------------------------
% Capítulo 0 - Introdução
%-----------------------------------------------
\addcontentsline{toc}{chapter}{\GetTranslation{intro}}
\chapter*{\GetTranslation{intro}} % o comando "*" tem a função de não numerar o capítulo
\label{Intro} %label do capítulo para utilizar na referência cruzada, através do comando "\ref{Intro}"
\input{Textuais/1-intro.tex} % inclui o arquivo .tex referente ao capítulo introdução
%-----------------------------------------------
% Capítulo 1 - Time series and nonstationarity
%-----------------------------------------------
\chapter{Time series and nonstationarity}
\label{TSandNonstat}
\input{Textuais/2-TSandNonstat.tex} % inclui o arquivo .tex referente ao capítulo 1
%-----------------------------------------------
% Capítulo 2 - Benchmarking framework
%-----------------------------------------------
\chapter{Benchmarking framework}
\label{framework}
\input{Textuais/3-framework.tex} % inclui o arquivo .tex referente ao capítulo 2
%-----------------------------------------------
% Capítulo 3 - Benchmarking of transformation methods
%-----------------------------------------------
\chapter{Benchmarking of transformation methods}
\label{experiment}
\input{Textuais/4-BTmethods.tex} % inclui o arquivo .tex referente ao capítulo 3
%-----------------------------------------------
% Capítulo 4 - Enabling the benchmarking of transformation methods and models
%-----------------------------------------------
\chapter{Enabling the benchmarking of transformation methods and models}
\label{experiment2}
\input{Textuais/5-BTmodels.tex} % inclui o arquivo .tex referente ao capítulo 4
%-----------------------------------------------
% Capítulo 5 - conclusions
%-----------------------------------------------
\addcontentsline{toc}{chapter}{\GetTranslation{conclusions}}
\chapter*{\GetTranslation{conclusions}} % o comando "*" tem a função de não numerar o capítulo
\label{conclusion}
\input{Textuais/6-conclusions.tex} % inclui o arquivo .tex referente ao capítulo conclusão
%-----------------------------------------------
% Capítulo 5 - Scientific production
%-----------------------------------------------
\addcontentsline{toc}{section}{Scientific production}
\section*{Scientific production}
\input{Textuais/7-Sciproduction.tex} % inclui o arquivo .tex referente ao capítulo produção científica
%-----------------------------------------------
% References
%-----------------------------------------------
\addcontentsline{toc}{chapter}{\GetTranslation{bibname}}
\printbibliography
% para inserir referência bibliográfica, utilize o arquivo references.bib
\end{document}