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 DC | Valor | Idioma |
---|---|---|
dc.contributor.author | Tavares, Ramon Lima de Oliveira | - |
dc.date.accessioned | 2024-12-02T14:06:36Z | - |
dc.date.available | 2024-12-02T14:06:36Z | - |
dc.date.issued | 2024-11-08 | - |
dc.identifier.other | CDD 519.55 | - |
dc.identifier.uri | http://dspace.bc.uepb.edu.br/jspui/handle/123456789/33065 | - |
dc.description | TAVARES, 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.abstract | Este 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.sponsorship | Orientador: Prof. Dr. Ricardo Alves de Olinda | pt_BR |
dc.language.iso | other | pt_BR |
dc.subject | previsão de séries temporais | pt_BR |
dc.subject | redes neurais recorrentes | pt_BR |
dc.subject | aprendizado profundo | pt_BR |
dc.title | Análise de Séries Temporais com Aprendizado de Máquina para Dados de Contagem | pt_BR |
dc.type | Other | pt_BR |
Aparece nas coleções: | 09 - TCC |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
TCC - Ramon Lima de Oliveira Tavares | TCC - Ramon Lima de Oliveira Tavares | 2.01 MB | Adobe PDF | Visualizar/Abrir |
Termo de Depósito | Termo de Depósito | 433.48 kB | Adobe PDF | Visualizar/Abrir Solictar uma cópia |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.