Eventos
DEFESA DE TESE DE DOUTORADO Nº 36
Aluno: Ana Clara Gomes da Silva
Título: “Arquiteturas computação de reservatório para predição da distribuição espaço-temporal de doenças infecciosas"
Orientador: Wellington Pinheiro dos Santos
Examinador Externo: Luiz Vianna Sobrinho (UFBA)
Examinadora Externa: Juliana Carneiro Gomes Cassemiro (UFPE)
Examinadora Externa: Giselle Machado Magalhães Moreno (UFPE)
Examinador Interno: Sidney Marlon Lopes de Lima
Data-hora: 27 de novembro de 2025 Às 10h
Local: formato presencial - Miniauditório (UPE/POLI)
Resumo:
" Doenças como dengue, zika e chikungunya são conhecidas como arboviroses e são transmitidas pelo mosquito Aedes aegypti. Essas doenças representam um problema crescente para a saúde pública em todo o mundo. Por terem sintomas muito semelhantes o diagnóstico é complexo. Contudo, como estas doenças são transmitidas pelo mesmo vetor, o controle e a prevenção pode ser feita ao controlar os criadouros do mosquito A. aegypti. A Geografia Médica e a Epidemiologia Digital tem ajudado na investigação de doenças infecciosas, compreendendo as distribuições geográficas de fenômenos climáticos associados, eventos biológicos e culturais interrelacionados com doenças, juntamente com os fatores demográficos, políticos e econômicos. As arboviroses são fortemente influenciadas pelas condições climáticas. Este estudo tem o objetivo de construir modelos espaço-temporais baseados em classificadores clássicos de aprendizado de máquina e computação de reservatório prever o número de criadouros do mosquito Aedes aegypti e o número de casos de doenças transmitidas por esse vetor. Para tal foram usadas base de dados de criadouros de Aedes aegypti do LIRAa, informações geográficas e dados climáticos de temperatura, umidade e velocidade dos ventos entre 2013 a 2016. E foram criados conjuntos de dados com essas informações. Também foram foram criados três intervalos de distribuição de casos, e assim foram criadas três classes. Para predição de casos, foi usada base de dados de casos do Portal de Dados Abertos da Prefeitura do Recife, informações geográficas e dados climáticos de temperatura, umidade e velocidade dos ventos entre 2014 e 2016. E foram criados 29 conjuntos de dados com essas informações. Também foram foram criados três intervalos de distribuição de casos, e assim foram criadas três classes. E para ambas as abordagens foram usados os mesmos classificadores, foram eles BayesNet, NaiveBayes, J48 tree, random forest, máquina de vetor de suporte (SVM), Extreme Learning Machine(ELM) e Echo State Network(ESN). Para esses dois últimos, que são algoritmos de computação de reservatório, foi usado a biblioteca PyRCN em código Python, e os demais usando o software Weka. Os modelos de criadouros de mosquitos Aedes aegypti obtiveram valores de métricas muito bons, dentre os classificadores clássicos se destacaram o random forest com valores de acurácia, índice kappa, sensibilidade, especificidade e área sob a curva ROC maiores que 97,83%, 0,96, 0,97, 0,98 e 0,99 nessa ordem. Para os algoritmos de computação de reservatório, os valores de acurácia, precision e recall variaram mais, tiveram modelos com valores de acurácia maior de 90% e precision e recall maiores 0,90. Os modelos criados usando a base de dados de casos de arboviroses e os classificadores clássicos obtiveram bons resultados, sendo o classificador random forest o melhor dentre eles, com valores de acurácia maiores que 99,5%, índice kappa, especificidade e área sob a curva ROC de maior que 0,99, e sensibilidade maior que 0,95. Já para os classificadores ELM e ESN, os resultados foram bons, e em metade os valores de acurácia foram maiores que 90%, os valores de precision e recall foram maiores que 0,90. Sendo assim, os modelos de predição espaço-temporal de criadouros do mosquito e de casos de arboviroses se apresentam como uma boa ferramenta de apoio bastante relevante para epidemiologistas e autoridades de saúde no planejamento e execução de políticas públicas que estão voltadas para o combate das arboviroses. "
DEFESA DE TESE DE DOUTORADO Nº 35
Aluna: Emilly Pereira Alves
Título: “Uma Abordagem Híbrida Multiobjetivo para Previsão de Séries Temporais Considerando Instantes de Pico"
Orientador: João Fausto Lorenzato de Oliveira
Coorientador: Paulo Salgado Gomes de Mattos Neto (UFPE)
Examinadora Externa: Teresa Bernarda Ludermir (UFPE)
Examinador Externo: Manoel Henrique da Nóbrega Marinho (UPE)
Examinador Externo: Hugo Valadares Siqueira (UTFPR)
Examinador Interno: Carmelo José Albanez Bastos Filho
Data-hora: 19 de novembro de 2025 Às 9h
Local: formato presencial - Sala CSEC (UPE/POLI)
Resumo:
"A previsão de séries temporais tem se mostrado uma ferramenta importante para a tomada de decisões em diversas áreas, como finanças, energia, saúde e meteorologia. No setor energético, as previsões são fundamentais tanto para o planejamento da demanda quanto para a estimativa da oferta, especialmente em sistemas com alta penetração de fontes renováveis, ajudando a evitar a subestimação ou superestimação do consumo. Nesse contexto, modelos estatísticos tradicionais e técnicas de aprendizagem de máquina têm sido amplamente explorados. Nos sistemas de previsão, as técnicas puramente lineares enfrentam limitações na captura de padrões não lineares. Por outro lado, as técnicas puramente não lineares enfrentam desafios relacionados à especificação de parâmetros. Para contornar essas limitações, sistemas híbridos de previsão se destacam na literatura, combinando métodos lineares e não lineares e oferecendo uma solução mais eficaz para lidar com a complexidade das séries reais. Em se tratando de aprendizagem de máquina, a escolha adequada dos hiperparâmetros das técnicas utilizadas é crucial para garantir um bom desempenho do modelo. De maneira geral, nos sistemas de previsão de séries temporais, os hiperparâmetros são escolhidos de modo a minimizar o erro global de previsão, no entanto, essa abordagem pode não ser suficiente em contextos nos quais valores de pico desempenham um papel estratégico, como no setor energético. A otimização simultânea desses dois objetivos caracteriza-se como um problema multiobjetivo pois há um conflito inerente entre eles: um modelo que minimiza o erro médio global pode não ser eficaz na identificação e previsão de picos, que representam eventos abruptos e muitas vezes anômalos. Por outro lado, um modelo altamente sensível aos picos pode comprometer sua acurácia geral, superestimando variações. Essa característica motiva a principal contribuição deste trabalho: um novo sistema híbrido para previsão que visa reduzir simultaneamente os erros globais e os erros nos picos, denominado Multi-objective Hybrid System (MHSys), baseado nos modelos ARIMA (Autoregressive Integrated Moving Average), SVR (Support Vector Regression) e NSGA-II (Non-dominated Sorting Genetic Algorithm II). A arquitetura do MHSys se baseia em um sistema de previsão sequencial e de combinação não linear, cuja etapa de otimização multiobjetivo é realizada durante a combinação da previsão da série e da previsão residual. Diferentemente das abordagens convencionais em problemas multiobjetivo, o MHSys adota uma estratégia de unificação de Pareto, ampliando a capacidade de exploração das soluções, proporcionando uma representação mais precisa da Fronteira de Pareto e aumentando a probabilidade de encontrar soluções diversificadas e próximas à fronteira ideal. Os resultados indicam que o MHSys é uma abordagem eficaz para a previsão de séries temporais aplicadas ao setor energético, melhorando tanto a precisão do sistema quanto a capacidade de exploração das soluções quando comparado às fronteiras individuais."
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 342
Aluno: Douglas Azevedo Pereira Dantas
Título:“Previsão de Irradiação Solar com Ensemble Ridge"
Orientador: João Fausto Lorenzato de Oliveira
Coorientador: Manoel Henrique da Nóbrega Marinho (UPE)
Examinador Externo: Jonas Villela de Souza (Itaipu Parquetec)
Examinador Interno: Domingos Sávio Oliveira dos Santos Júnior
Data-hora: 06 de novembro de 2025 às 9h
Local: Formato remoto - Google meet
Resumo:
"A previsão de irradiação solar é fundamental para otimizar a operação de sistemas fotovoltaicos, apoiar o planejamento da operação de redes elétricas e reduzir custos de integração de fontes renováveis. Modelos estatísticos clássicos e métodos de aprendizado de máquina têm sido amplamente empregados; entretanto, muitos estudos focam em poucos horizontes, janelas de amostragem curtas ou em condições meteorológicas específicas, o que limita a generalização para diferentes climas e regiões. Neste trabalho, investigamos um esquema de combinação de previsores baseado em ensemble por empilhamento, no qual a etapa de agregação é realizada por regressão ridge. A hipótese é que a combinação linear regularizada favorece a robustez frente à alta variabilidade e à não estacionariedade inerentes às séries de irradiação, capturando padrões complementares dos modelos de base sem sobreajuste. Avaliamos o ensemble ridge sobre um conjunto heterogêneo de modelos individuais (incluindo abordagens estatísticas e redes neurais) em diferentes conjuntos de dados e condições regionais. Os resultados mostram ganhos consistentes em métricas como MAE, RMSE e MAPE, além de menor variância entre dobras e localidades, indicando melhor estabilidade. A contribuição principal é um arcabouço simples, reprodutível e acoplável a diversos preditores, oferecendo uma ferramenta de previsão mais acurada para apoiar a produção de energia renovável."
O Programa
