O projeto de pesquisa possui como objetivo principal propor modelos computacionais baseados em RNAs diretas profundas e recorrentes (Deep Feedforward, BPTT e LSTM) que serão empregadas em tarefas de predição de séries temporais, avaliando a performance do Deep Learning em termos de estimação de valores de séries variáveis no tempo em relação às técnicas tradicionais de predição. Além disso, testar diversas estratégias de normalização e balanceamento de dados que possibilitem melhor predição de valores. Avaliar quais variáveis explanatórias são mais importantes para a predição dos dados visando auxiliar o processo de tomada de decisão. Atualmente, estão sendo empregados modelos de predição da tarifa de eletricidade com dados fornecidos pelo Agência Nacional de Energia Elétrica- ANELL para as cinco regiões Brasileiras, onde ainda são poucos os trabalhos sendo desenvolvidos com esse objetivo, visto que a maioria das pesquisas realizadas são de países Europeus. Adicionalmente, serão utilizadas variáveis meteorológicas do banco de dados do sistema de organização nacional de dados ambientais SONDA, estação de Petrolina, do período de 01 de janeiro de 2004 à 31 de março de 2020 e da estação de Macau período de 010.01.2004 a 31.012.2020. O desempenho dos modelos será comparado com 10, 20 e 30 passos para frente.
Coordenador
Estudantes
Yann Figueiredo
Ábner Lucas Alves Pereira
Financiamento
UFPAData de execução
2021 - Atualmente