Projeto de Previsão de Séries Temporais usando Modelos de Machine Learning

Este projeto foi desenvolvido para realizar previsões de séries temporais utilizando três modelos de machine learning: MLP, LSTM e BiLSTM. Através de um processo de Grid Search, o projeto explora diferentes combinações de hiperparâmetros para encontrar a melhor configuração para cada modelo e dataset.

Índice

1. Estrutura do Projeto
2. Instalação
   • Pré-requisitos
   • Passos para Instalação
3. Estrutura do Arquivo settings.txt
   • Descrição das Configurações
4. Execução
5. Resultados
6. Descrição das Funções
7. Licença

Estrutura do Projeto

• Pastas:

  • .idea/
  • datasets/ (contém os datasets para treino e teste)
  • results/ (contém os resultados das execuções do grid search)

• Arquivos:

  • LICENSE
  • main.py (arquivo principal do projeto)
  • MANIFEST.in
  • pyproject.toml
  • README.md
  • requirements.txt (lista de bibliotecas necessárias)
  • settings.txt (arquivo de configuração do grid search)

Instalação

Pré-requisitos

• Python 3.8 ou superior
• pip (gerenciador de pacotes do Python)

Passos para Instalação

1. Clone este repositório:

   git clone https://github.com/Grogenski/DLgrid_search_timeseriesforecasting/
   cd DLgrid_search_timeseriesforecasting

2. Crie um ambiente virtual:

   python -m venv venv

3. Ative o ambiente virtual:

   • Windows:

     venv\Scripts\activate

   • Linux/Mac:

     source venv/bin/activate

4. Instale as bibliotecas necessárias:

   pip install -r requirements.txt

Estrutura do Arquivo settings.txt

O arquivo settings.txt contém as configurações para o grid search em formato de dicionário. Um exemplo de configuração é mostrado abaixo:

{
    'n_in': [33],
    'n_out': [7],
    'n_split': [0.8],
    'n_nodes': [64],
    'stacked_layers': [1],
    'n_features': [1],
    'dropout': [0.2],
    'callback': [[True, 10, True]],
    'epochs': [100],
    'batch_size': [40],
    'learning_rate': [0.001],
    'predict_model': ["MLP", "LSTM", "BiLSTM"],
    'dataset_in': ["CEPEA_SOJA.csv"]
}

Descrição das Configurações

• 'n_in': Quantidade de dias anteriores usados para prever valores futuros.
• 'n_out': Quantidade de dias futuros a serem preditos.
• 'n_split': Fração dos dados usados para treinamento (padrão: 0.8).
• 'n_nodes': Número de neurônios nas camadas intermediárias.
• 'stacked_layers': Número de camadas intermediárias.
• 'n_features': Número de atributos usados. (1 para univariado, >1 para multivariado).
• 'dropout': Taxa de dropout para evitar overfitting (0.0 para desativar, >0.0 para ativar).
• 'callback': Lista contendo [callback, patience, restore_best_weights]. Callback para early stopping.
• 'epochs': Número de épocas de treinamento.
• 'batch_size': Tamanho do batch.
• 'learning_rate': Taxa de aprendizado (padrão: 0.001).
• 'predict_model': Modelos a serem usados: "MLP", "LSTM", "BiLSTM".
• 'dataset_in': Datasets a serem utilizados. Opções: "CEPEA_SOJA.csv", "CEPEA_MILHO.csv", "CEPEA_ACUCAR.csv", "CEPEA_BOI.csv", "CEPEA_SOJA_100.csv".

Execução

1. Configure os hiperparâmetros e selecione os datasets desejados no arquivo settings.txt.
2. Execute o script principal:

   python main.py

Resultados

Os resultados serão armazenados em uma pasta na diretório results/ com o nome da seed (formato da seed é dado pela data e horário de início do programa: %d%m%Y_%H%M%S). Cada pasta conterá:

• Plots das previsões vs. valores reais.
• Modelos salvos em formato .keras.
• Arquivo results.txt com os resultados e o tempo gasto em cada configuração.

Descrição das Funções

• model_configs(): Importa as configurações do arquivo settings.txt e gera uma lista de listas de configurações.
• build_model_MLP(n_in, n_nodes, dropout, stacked_layers): Constrói um modelo Perceptron Multicamadas (MLP) simples.
• build_model_LSTM(n_in, input_shape, n_nodes, dropout, stacked_layers): Constrói um modelo LSTM (Long Short-Term Memory) simples.
• build_model_Bidirecional(n_in, input_shape, n_nodes, dropout, stacked_layers): Constrói um modelo BiLSTM (Bidirectional LSTM) simples.
• fit_model(model, learning_rate, callback, x_train, y_train, epochs, batch_size): Treina o modelo selecionado com os dados de treinamento.
• grid_search(df, cfg, key): Realiza um grid search para encontrar os melhores hiperparâmetros, constrói e treina modelos com base nas configurações fornecidas, e avalia os resultados com métricas de desempenho, como o erro quadrático médio (MSE) e a raiz do erro quadrático médio (RMSE), além de gerar plots com os valores preditos contra os reais.

Licença

Este projeto está licenciado sob os termos da licença MIT. Para mais detalhes, veja o arquivo LICENSE.

---

Para quaisquer dúvidas ou problemas, por favor, entre em contato com [email protected].