Resumo: Métodos de análise de decisão multicritério (MCDA) vêm sendo bastante utilizados nas últimas décadas para auxiliar a tomada de decisão, principalmente em cenários cuja escolha pode causar impactos significativos para a sociedade ou empresas. Esse métodos visam modelar as relações entre um conjunto de alternativas avaliadas de acordo com múltiplos critérios. De forma geral, nas abordagens clássicas de MCDA, consideram-se os valores dos critérios como sendo aqueles disponíveis no momento em que a decisão deve ser feita, sem avaliar a evolução dos critérios ao longo do tempo através das suas séries temporais. A despeito da consolidação teórica e prática dessa abordagem clássica em MCDA, não considerar a temporalidade dos critérios leva à perda de informações importantes em diversos tipos de decisão. Diante disso, o presente estudo propõe uma análise mais abrangente dos dados envolvidos no problema da decisão multicritério. Modelamos os dados em uma estrutura tensorial (funções multidimensionais), em vez da clássica estrutura matricial, em que a terceira dimensão do tensor representa a série temporal dos critérios. A partir dessa estrutura tensorial, propomos novos métodos, baseados em extensões dos métodos clássicos de MCDA, como também novas metodologias híbridas de MCDA e processamento de sinais. As metodologias propostas são validadas utilizando dados reais. Assim, nesta tese, de forma geral, discutimos o benefício de incorporar a análise temporal em problemas envolvendo multicritério e suas possíveis aplicações Ver menos

Abstract: Multicriteria decision analysis (MCDA) methods have been widely used in recent decades to assist decision-making, especially in scenarios where choices can have significant impacts on society or businesses. These methods aim to model the relationships between a set of alternatives evaluated according to multiple criteria. In general, in classical MCDA approaches, the criterion values are considered as those available at the time the decision must be made, without evaluating the evolution of criteria over time through their time series. Despite the theoretical and practical consolidation of this classical MCDA approach, not considering the temporality of criteria leads to the loss of important information in various types of decision-making. Therefore, this study proposes a more comprehensive analysis of the data involved in the multicriteria decision problem. We model the data in a tensor structure (multidimensional functions), instead of the classical matrix structure, where the third dimension of the tensor represents the time series of the criteria. Based on this tensor structure, we propose new methods, based on extensions of classical MCDA methods, as well as new hybrid MCDA and signal processing methodologies. The proposed methodologies are validated using real data. Thus, in this thesis, we discuss the benefit of incorporating temporal analysis into multicriteria problems and possible applications in the field Ver menos