Eventos

DEFESA Nº 133

 

Discente: Emilly Pereira Alves

 

Título: MODELO HÍBRIDO NÃO LINEAR BASEADO EM APRENDIZAGEM DE MÁQUINA PARA PREVISÃO DE SÉRIES TEMPORAIS  


Orientador: Prof. Dr. Manoel Henrique da Nóbrega Marinho.

Coorientador: Prof. Dr. Francisco Madeiro Bernardino Junior.

 

Examinador Interno: Prof. Dr. João Fausto Lorenzato de Oliveira(UPE) 

Examinador Externo: Prof. Dr. Paulo Salgado Gomes De Mattos Neto (UFPE)  

 

Data-hora: 31/01/2021, às 14h

Local: Formato Remoto

 

CÓDIGO DA SALA - Google meet: RESTRITO

 

Resumo do Projeto:

 

A previsão de séries temporais permite modelar diversos processos dinâmicos. Em se tratando de consumo de energia elétrica, a previsão desempenha um papel funda-mental, seja no planejamento do setor de distribuição, seja na estimativa individual para gerenciamento de consumo. Além disso, a previsão de consumo proporciona benefícios ambientais, por meio de controles de eficiência energética, podendo reduzir significativamente o consumo de energia global e, consequentemente, minimizando as emissões de gás carbônico. A previsão de séries temporais de consumo de energia é um problema desafiador, pois os dados apresentam padrões lineares e não lineares, além de possuírem forte dependência de variáveis externas, como temperatura e efeitos de calendário, por exemplo. Nesse cenário, modelos híbridos vêm se destacando, devido à capacidade de mapear os padrões lineares e não lineares contidos nas séries. Em se tratando do mapeamento dos padrões lineares, o modelo estatístico Autoregressive Integrated Moving Average (ARIMA), de Box-Jenkin, é amplamente utilizado, em razão de sua flexibilidade e simplicidade. No que diz respeito aos padrões não lineares, a técnica Support Vector Regression (SVR) tem mostrado resultados promissores. A predição final pode ser realizada através de uma combinação linear, somando as previsões obtidas, ou de forma não linear, em que se utiliza uma técnica de inteligência computacional. No presente trabalho propõe-se um modelo de previsão híbrido baseado em combinação não linear, utilizando ARIMA e SVR, otimizado pelo algoritmo Particle Swarm Optimization (PSO). Com a utilização de técnicas de inteligência computacional, a escolha dos parâmetros destas se torna uma etapa fundamental para melhorar a precisão das previsões, uma vez que diferentes características das bases de dados implicam diferentes conjuntos de parâmetros. Assim sendo, a abordagem proposta utiliza o PSO para seleção dos parâmetros do SVR, além de incorporar a escolha de sua topologia e do coeficiente de inércia ao modelo. As simulações foram realizadas para três conjuntos de bases de dados. O primeiro contém oito bases clássicas no cenário de previsão de séries temporais. O segundo e terceiro conjunto consistem em medições de consumo de energia elétrica de um edifício residencial localizado em Taiwan, e de um consumidor residencial atendido pela CPFL Energia, respectivamente. O desempenho da abordagem proposta foi avaliado em termos de cinco métricas: Mean Squared Error (MSE), Mean Absolute Percentage Error (MAPE), Mean Absolute Error (MAE), Percentage Difference (PD) e Coeficiente de Variação (CV). Os resultados apresentaram redução de até 89,86% no erro médio quadrático, quando comparado ao ARIMA, e até 70,31% quando comparado a outra híbrida de combinação não linear. Os resultados evidenciam a superioridade do método proposto, em termos das métricas MSE, MAE e MAPE, para a maioria das bases testadas. 

Palavras-chave: Previsão de séries temporais, modelos híbridos, previsão de consumo, ARIMA, SVR.

DEFESA Nº 132

 

Discente: Rildo Pereira Alves Junior

 

Título: Desenvolvimento de Classificador Veicular Utilizando Árvore de Decisão e Floresta Aleatória com Aplicação do Conceito de Direção Defensiva em Dados Veiculares e Método de Alerta em Tempo Real para Aplicação em Seguro Baseado em Uso  


Orientador: Prof. Dr. Gustavo Oliveira Cavalcanti.

Coorientador: Prof. Dr. Marcílio André Félix Feitosa.

 

Examinador Interno: Prof. Dr. Paulo Hugo Espírito Santo Lima (UPE) 

Examinador Externo: Prof. Dr. João Fausto Lorenzato de Oliveira (UPE)  

 

Data-hora: 28/12/2021, às 14h

Local: Formato Remoto

 

CÓDIGO DA SALA - Google meet: RESTRITO

 

Resumo do Projeto:

 

Os acidentes de trânsito são umas das maiores causas de óbitos no mundo e o motorista é o maior responsável pela causa dos acidentes. Alternativas de educação do condutor têm sido utilizadas para a sua conscientização e o curso de direção defensiva visa o preparo dos motoristas para terem um comportamento responsável no trânsito. O modelo de seguro automotivo, conhecido como Seguro Baseado em Uso (UBI), também motiva o comportamento mais responsável por parte dos motoristas, pois analisa o comportamento do condutor para definir o valor da taxa do seguro; quanto mais responsável for o comportamento, menor o valor do seguro. Com a evolução tecnológica dos automóveis, é possível obter informações do funcionamento dos sensores do veículo por meio das Unidades de Controle Eletrônico (ECUs), que se comunicam com dispositivos externos pela interface de diagnóstico do padrão OBD-II (On-Board Diagnostics II). Os dados disponíveis do veículo podem ser utilizados para analisar a condução do motorista e identificar se seu comportamento está agressivo, podendo causar acidentes. O presente trabalho descreve o processo de obtenção e utilização dos dados veiculares em algoritmos de aprendizado de máquina para classificar a condução do veículo. É utilizado o conceito de direção defensiva do DENATRAN para desenvolver conduções seguras e inseguras e gerar a base de dados do classificador. O sistema desenvolvido coleta as infomações das ECUs e, com os algoritmos de Árvore de Decisão (AD) ou Floresta Aleatória (FA), realiza a classificação binária da condução, em tempo real, classificando-a como segura ou insegura; se a condução for detectada como insegura, o sistema alerta o condutor. Assim, o condutor pode corrigir seu comportamento e conduzir o veículo de forma segura. As acurácias alcançadas nos testes do classificador final foram de 87% com AD e 90,3% com FA. Um sistema de alerta de condução em tempo real é proposto, com análise do comportamento do condutor, para minimizar os erros pontuais de classificação e alertar corretamente o condutor que desenvolver uma condução insegura. Este sistema de alerta em tempo real tem potencial aplicação no ramo de seguros baseados em uso. 

Palavras-chave: alerta de condução, direção defensiva, dados veiculares, aprendizado de máquina, UBI;

DEFESA Nº 131

 

Discente: Hugo Abreu Mendes

 

Título: SISTEMAS HÍBRIDOS PARA PREVISÃO DE RADIAÇÃO SOLAR APLICADOS NO ARMAZENAMENTO DE ENERGIA POR BATERIAS  


Orientador: Prof. Dr. Manoel Henrique da Nóbrega Marinho.

Co-orientador: Prof. Dr. João Fausto Lorenzato de Oliveira.

 

Examinador Interno: Prof. Dr. Francisco Madeiro Bernardino Junior (UPE) 

Examinador Externo: Prof. Dr. Paulo Salgado Gomes De Mattos Neto (UFPE)  

 

Data-hora: 23/12/2021, às 10h

Local: Formato Remoto

 

CÓDIGO DA SALA - Google meet: meet.google.com/qxq-uqps-grr 

 

Resumo do Projeto:

 

A estimativa de variáveis climatológicas pode ser feita através de modelagens numéricas variadas. Uma das formas úteis se dá pela análise e modelagem de séries temporais. No contexto da geração de energias limpas, são feitas previsões de radiação solar, para usinas fotovoltaicas e velocidade do vento para usinas eólicas. Modelos lineares de séries temporais como ARIMA são muito utilizados, porém muito se avançou utilizando algoritmos de \textit{machine learning} para melhorar os resultados, que podem ser utilizados em conjunto com modelos lineares, resultando em modelos híbridos. Este trabalho foca em dois experimentos distintos, que juntos complementam o entendimento sobre implementações de AutoML. Para a obtenção dos resultados, foi utilizada uma metodologia com dados do INMET, instituto de metrologia brasileiro, em escala horária. No primeiro experimento é apresentada uma nova forma de automatizar a modelagem SARIMAX a partir do uso em conjunto dos algoritmos de otimização PSO e ACO, considerando a sazonalidade e possíveis variáveis exógenas disponíveis. Também são apresentados 2 modelos híbridos distintos que possuem MLPs como elementos principais para modelagem de resíduo e combinação entre previsão do resíduo e previsão do modelo SARIMAX. Ainda sobre o primeiro experimento, é apresentado um protocolo para obtenção dos resultados, obtidos para tais modelos que se mostraram promissores para utilização em sistemas automáticos de previsão de radiação. No segundo experimento, são apresentadas três diferentes otimizações de modelos conhecidos aplicados para previsão da radiação solar, ACOLSTM, ACOCLSTM e AGMMFF, comparados com os AutoMLs de código aberto TPOT, HPSKLEARN e AutoKeras. Os resultados obtidos pelo segundo experimento, são promissores para uso em sistemas automáticos de previsão da radiação solar, visto que o ACOLSTM superou os modelos comparados. Ao fim do segundo experimento é apresentada uma forma de simular um BESS, exemplificando como a previsão pode ajudar na manutenção e tomadas de decisão desta categoria de sistema.

 

Palavras-chave: Radiação solar, séries temporais, aprendizado de máquina, otimização;

Página 1 de 16

Go to top Menú