Use este identificador para citar ou linkar para este item: http://dspace.bc.uepb.edu.br/jspui/handle/123456789/33065
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.authorTavares, Ramon Lima de Oliveira-
dc.date.accessioned2024-12-02T14:06:36Z-
dc.date.available2024-12-02T14:06:36Z-
dc.date.issued2024-11-08-
dc.identifier.otherCDD 519.55-
dc.identifier.urihttp://dspace.bc.uepb.edu.br/jspui/handle/123456789/33065-
dc.descriptionTAVARES, Ramon Lima de Oliveira. Análise de séries temporais com aprendizado de máquina para dados de contagem. 2024. 38 f. Trabalho de Conclusão de Curso (Graduação em Estatística) - Universidade Estadual da Paraíba, Campina Grande, 2024.pt_BR
dc.description.abstractEste estudo apresenta metodologias para modelagem e previsão da série temporal de focos ativos detectados pelo satélite AQUA_M-T no Bioma do Pantanal, Brasil. A abordagem utiliza um modelo misto de Redes Neurais Recorrentes (RNN), combinando as arquiteturas Long Short-Term Memory (LSTM) e Gated Recurrent Unit (GRU) para prever os acumulados mensais de focos ativos detectados diariamente. O objetivo principal foi verificar se essas previsões capturam a sazonalidade inerente dos dados, aplicando técnicas de aprendizado de máquina especificamente adaptadas para dados de contagem. Ao manter a série em sua estrutura original baseada em contagem, o modelo busca preservar a variabilidade natural do conjunto de dados, essencial para desenvolver modelos com alta capacidade preditiva. A análise dos dados revelou uma sazonalidade consistente ao longo do tempo, com picos e mínimas anuais recorrentes em intervalos semelhantes a cada ano. A metodologia envolveu uma preparação cuidadosa dos dados, configuração do modelo e treinamento com validação cruzada utilizando três sementes, assegurando uma generalização robusta tanto para os conjuntos de teste quanto de validação. Os resultados mostraram que o modelo combinado de LSTM e GRU apresentou bom desempenho, capturando padrões temporais complexos e demonstrando sua adequação para a modelagem de séries temporais baseadas em dados de contagem. Este trabalho contribui significativamente para a aplicação de técnicas de aprendizado profundo no monitoramento ambiental, especificamente na previsão de focos ativos. A abordagem proposta também destaca o potencial de adaptação para outros desafios de previsão em séries temporais, oferecendo novas oportunidades para pesquisa e desenvolvimento em aprendizado de máquina e previsão de séries temporais.pt_BR
dc.description.sponsorshipOrientador: Prof. Dr. Ricardo Alves de Olindapt_BR
dc.language.isootherpt_BR
dc.subjectprevisão de séries temporaispt_BR
dc.subjectredes neurais recorrentespt_BR
dc.subjectaprendizado profundopt_BR
dc.titleAnálise de Séries Temporais com Aprendizado de Máquina para Dados de Contagempt_BR
dc.typeOtherpt_BR
Aparece nas coleções:09 - TCC

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
TCC - Ramon Lima de Oliveira TavaresTCC - Ramon Lima de Oliveira Tavares2.01 MBAdobe PDFVisualizar/Abrir
Termo de DepósitoTermo de Depósito433.48 kBAdobe PDFVisualizar/Abrir    Solictar uma cópia


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.