Resumo: a representação de um processo por m...resumo: a representação de um processo por meio de um modelo matemático é uma ação fundamental quando se busca a avaliação do seu comportamento ao longo do tempo. para a modelagem, geralmente, é necessária uma combinação de conhecimentos advindos de diferentes áreas, tais como, engenharia, computação, matemática e estatística. quando o processo em questão é composto por um conjunto de valores coletados sequencialmente no tempo a respeito de uma variável quantitativa, recebe o nome de série temporal (box; jenkins e reinsel, 2008). as análises de séries temporais permitem a avaliação da dependência entre as observações, a construção de modelos, a previsão de valores, a delimitação de intervalos limítrofes para as observações, entre outras funcionalidades. essas análises têm sido aplicadas em diversos contextos reais, tais como: mercado de ações (affonso; dias e pinto, 2021), precipitação pluviométrica (sharma et al., 2018), monitoramento estrutural (silik et al., 2021), entre outros. quando o objetivo de um estudo é realizar a previsão da série temporal, é necessário a elaboração de um modelo que descreva os valores passados da variável investigada, com boa precisão, e permita a extrapolação para momentos futuros (khashei e bijari, 2011). mas, a obtenção do modelo e a identificação do método de previsão para uma série temporal proveniente de um contexto real não são tarefas fáceis, pois dependem das características específicas da série. processos estocásticos lineares e estacionários podem ser modelados de forma robusta por meio da metodologia box e jenkins, de 1970 (box et al., 2015). para processos não- lineares ou não estacionários, a utilização de modelos híbridos têm apresentado melhor desempenho do que os modelos isolados (fathian, 2019). mas há outros aspectos a se considerar além da linearidade e da estacionariedade do processo a ser modelado. a seguir são apresentados alguns estudos envolvendo a modelagem e previsão de séries temporais com características específicas. samanta et al. (2019) desenvolveram um sistema de inferência neuro-fuzzy com neurônios dinâmicos (nfis-dn) para previsão de séries temporais utilizando apenas uma quantidade reduzida de informações passadas, sem precisar considerar toda a extensão dos valores. redes neurais rbf (radial basis function) foram utilizadas por sadiq et al. (2018) para a previsão de séries relacionadas a sistemas com dinâmica caótica, sensíveis às condições iniciais considerando a análise espaço-temporal do sinal. pereira (2017) propôs um modelo para séries temporais contínuas em que os valores observados são não negativos, mas tem uma proporção de zeros (massa em zero), combinando as teorias de modelo linear dinâmico (mld) e modelo linear generalizado dinâmico (mlgd). he e si (2013), utilizaram uma combinação dos métodos arima e rna para melhorar as previsões de processos com estruturas de tanto autocorrelação linear quanto não linear entre os dados. amorim et al. (2015) propuseram um método para detectar mudanças dinâmicas em séries temporais não lineares, estacionárias ou não, por meio da combinação de gráficos de controle multivariado t2 de hotelling e descritores de hjorth de atividade, mobilidade e complexidade, que permite detectar os pontos de mudança de comportamento dos sinais de sistemas monitorados em tempo real. lazzarotto et al. (2015) aplicaram a decomposição wavelet e utilizaram modelos híbridos arima-garch combinados linearmente com rna para obter previsões de séries temporais reais. pereira, scarpin e teixeira júnior (2016) analisaram em vários domínios, diferenciando características menos sutis e mais refinadas de séries temporais, aprimorando as previsões, por meio de uma metodologia composta por decomposição wavelet e modelos híbridos. a escolha das abordagens, das técnicas e da forma de se efetuar a combinação dos modelos, difere de acordo com as características intrínsecas das séries analisadas e com os objetivos do estudo. a intenção deste trabalho é apresentar uma proposta de roteiro para a orientação dessa escolha de forma prática, com base em uma sequência de etapas analíticas, elaboradas a partir de uma extensa e apropriada revisão bibliográfica, envolvendo séries temporais tanto estacionárias como não estacionárias, sazonais ou não, que possuem relações lineares ou não entre seus dados, com ou sem dinâmica caótica e com ou sem massa em zero. cabe ressaltar que este projeto forma parte do trabalho a ser realizado por uma pesquisadora em uma estância de pós-doutorado na ufsc. objetivo: elaborar um roteiro para a seleção de modelos, orientado de acordo com a taxonomia dos métodos de previsão e de obtenção dos limites de controle de séries temporais presentes na literatura. resultados esperados: * aprimorar a taxonomia da previsão de séries temporais. * aprimorar a taxonomia do controle de séries temporais. * propor um roteiro para apoiar pesquisadores na seleção de modelos de previsão e de técnicas de obtenção dos limites de controle de séries temporais. referências affonso, f.; dias, t. m. r.; pinto, a. l. financial times series forecasting of clustered stocks. mobile networks and applications, v. 26, n. 1, p. 256-265, 2021. amorim, g. f.; balestrassi, p. p.; paiva, a. p.; oliveira-abans, m. detecção de mudança de nível em séries temporais não lineares usando descritores de hjorth. production [online]. v. 25, n. 4, pp. 812-825. 2015. barbão, j. análise de componentes cíclicas em séries temporais uni e multivariadas via filtros hp modificados e outros métodos. dissertação (mestrado em estatística) - instituto de matemática, estatística e computação científica, unicamp, campinas, 2007. box, g. e. p.; jenkins, g. m.; reinsel, g. c.; ljung, g. m. time series analysis: forecasting and control. john wiley & sons, 2015. fathian, f.; mehdizadeh, s.; sales, a. k.; safari, m. j. s. hybrid models to improve the monthly river flow prediction: integrating artificial intelligence and non- linear time series models. journal of hydrology, v. 575, p. 1200-1213, 2019. garcia, s. r. p.; chaves neto, a.; oro, s. r.; neumann júnior, c. modeling and forecasting displacements in concrete dam: an ardl bounds testing approach. international journal of engineering and applied sciences, v. 7, p. 31- 39, 2016. he, j.; si, b. the application of arima-rbf model in urban rail traffic volume forecast. in: conference of the 2nd international conference on computer science and electronics engineering (iccsee). atlantis press, p. 1662-1665, 2013. khashei, m.; bijari, m. a novel hybridization of artificial neural networks and arima models for time series forecasting. applied soft computing, v. 11, n. 2, p. 2664– 2675, 2011. lazzarotto, e.; gramani, l. m.; neto, a. c.; teixeira júnior, l. a.; carreno franco, e. m. melhoria na previsão da série temporal de instrumentos de monitoramento de barragem via combinação de métodos. cadernos do ime - série estatística, v. 38, p. 1-19, 2015. morettin, p. a.; toloi, c. m. c. análise de séries temporais. 3. ed. são paulo: blucher, 2018. oro, s. r.; di domênico, c. n. b. ; mafioleti, t. r. ; hellmann, l. ; campos, g. l. previsão do número diário de pessoas diagnosticadas com covid-19 no estado do paraná via modelos autorregressivos de defasagens distribuídas. brazilian journal of development, v. 8, p. 10433-10444, 2022. oro, s. r.; garcia, s. r. p.; coelho, d. p.; reinaldo, f. a. f.; oliveira, m. s.; hellmann, l.; peres, f. f. f. statistical modeling and prediction of the behavior of a buttress block at the itaipu dam. international journal of development research, v. 11, p. 52792-52797, 2021. pereira, e. n.; scarpin, c. t.; teixeira júnior, l. a. time series forecasting by using a neural arima model based on wavelet decomposition. independent journal of management & production, v. 7, n. 1, p. 252–270, 2016. pereira, j. s. um modelo dinâmico para séries temporais contínuas com massa em zero. dissertação (mestrado em matemática) - universidade federal do amazonas, manaus, 2017. sadiq, a.; ibrahim, m. s.; usman, m.; zubair, m.; khan, s. chaotic time series prediction using spatio-temporal rbf neural networks. in: 3rd international conference on emerging trends in engineering, sciences and technology (iceest), p. 1-5, 2018. samanta, s.; suresh, s.; senthilnath, j.; sundararajan, n. a new neuro- fuzzy inference system with dynamic neurons (nfis-dn) for system identification and time series forecasting. applied soft computing, v. 82, 105567, 2019. sharma, s.; ranjeet, p. d.; mirdha, i. s.; sikarwar, r. s. precipitation trend analysis by mann-kendall test of different districts of malwa agroclimatic zone. environment and ecology, v. 36, n. 2a, p. 664-671, 2018. silik, a.; noori, m.; altabey, w. a.; ghiasi, r.; wu, z. analytic wavelet selection for time–frequency analysis of big data form civil structure monitoring. in: international workshop on civil structural health monitoring. springer, cham, p. 431-455, 202