Sistema de Eventos Acadêmicos da UFMT, X Mostra da Pós-Graduação: Direitos Humanos, trabalho coletivo e redes de pesquisa na Pós Graduação

Tamanho da fonte: 
PREENCHIMENTO DE FALHAS DE DADOS MICROMETEOROLÓGICOS UTILIZANDO DEEP LEARNING
Anísio Alfredo Silva Junior, Raphael de Souza Rosa Gomes

Última alteração: 23-10-18

Resumo


A veracidade das informações adquiridas através da pesquisa científica, fundamenta-se na qualidade dos dados coletados. Avanços na tecnologia, possibilitaram a modelagem cada vez mais precisa de fenômenos reais através da automatização de processos e evolução de equipamentos, o que representa uma maior gama de informação. Em contrapartida, grandes quantidades de dados, pode ter como consequência o aparecimento de falhas, essas por sua vez, podem originarem no próprio equipamento utilizado, devido a mal funcionamento por defeito na fabricação, intempéries, calibração, manutenção, desligamento do mesmo, no processo de transmissão dos dados, entre outros. Falhas na série temporal podem induzir à resultados inexatos, que se distanciam do real comportamento do fenômeno estudado, proporcionando  ao pesquisador suposições equivocadas. A utilização de um método eficiente e fidedigno de preenchimento de falhas, é uma preocupação recorrente em diversas áreas, pois o mesmo deve prever os dados faltantes com considerável precisão ao comportamento real. Dessa forma, o presente estudo tem como objetivo principal: simular falhas em séries temporais micrometeorológicas, apresentar um modelo de preenchimento de falhas e  comparar com outros métodos previstos na literatura como: Regressão Linear Múltipla e Média Móvel. Para tal, este trabalho apresenta uma abordagem computacional que utiliza a técnica de deep learning, uma subárea da Inteligência Artificial. Os dados utilizados foram obtidos do Instituto Nacional de Meteorologia (INMET), ao total quatro séries foram utilizadas, cada uma selecionada em estados diferente, Minas Gerais, Mato Grosso, Paraná e Rio Grande do Sul, coletadas no período de novembro de 2014 a janeiro de 2015. Pretende-se com esse estudo, colaborar com a sociedade acadêmica, demonstrando uma alternativa um pouco mais eficiente no preenchimento de falhas.


Palavras-chave


Redes neurais; Dados ausentes; Micrometeorologia; Aprendizagem de Máquinas

Referências


BROWNLEE, Jason. Deep Learning with Python: Develop Deep Learning Models on Theano and TensorFlow Using Keras. Machine Learning Mastery, Melbourne, 2016.

 

BROWNLEE, Jason. Machine learning mastery. URL: http://machinelearningmastery. com/discover-feature-engineering-howtoengineer-features-and-how-to-getgood-at-it, 2014.

 

DESWAL, S.; PAL, M. Artificial neural network based modeling of evaporation losses in reservoirs. International Journal of Mathematical Physical and Engineering Sciences, v. 39, n. 2, p. 177–181, 2008.

 

HOPE, Tom; RESHEFF, Yehezkel S.; LIEDER, Itay. Learning TensorFlow: A Guide to Building Deep Learning Systems. " O'Reilly Media, Inc.", 2017.

 

MCKINNEY, Wes et al. Data structures for statistical computing in python. In: Proceedings of the 9th Python in Science Conference. 2010. p. 51-56.