Campo DC | Valor | Idioma |
dc.creator | Jesus, Edmilson dos Santos de | - |
dc.date.accessioned | 2023-12-13T14:07:35Z | - |
dc.date.available | 2023-12-13T14:07:35Z | - |
dc.date.issued | 2023-07-31 | - |
dc.identifier.citation | JESUS, Edmilson dos Santos de. Modelos de aprendizagem de máquina para previsão da demanda de água da Região Metropolitana de Salvador, Bahia. 2023. 82 f. Dissertação (Mestrado em Ciência da Computação) - Instituto de Computação, Universidade Federal da Bahia, Salvador (Bahia), 2023. | pt_BR |
dc.identifier.uri | https://repositorio.ufba.br/handle/ri/38665 | - |
dc.description.abstract | Water is essential for human life and predicting its growing demand is a big
challenge, the objective of this work is to propose a new hybrid model, SVR-ANN, to
water demand forecast, where an adaptation of the methodology proposed by Zhang
(2003) is used to decompose the time series of 10 reservoirs that supply
the Metropolitan Region of Salvador (RMS). The data used is from historical consumption
from January/2017 to February/2022, in liters per hour, obtained from the
local supply, Bahian Water and Sanitation Company (EMBASA), and meteorological data
obtained from the Brazilian National Meteorology Institute (INMET). You
results demonstrated the feasibility of using the proposed model, compared to other
traditional models like Multilayer Perceptron (MLP), Support Vector Regression
(SVR), Short Long Term Memory (LSTM) and Autoregressive and Integrated Moving Average
(ARIMA). | pt_BR |
dc.language | por | pt_BR |
dc.publisher | Universidade Federal da Bahia | pt_BR |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | * |
dc.subject | Séries temporais | pt_BR |
dc.subject | Aprendizagem de máquina | pt_BR |
dc.subject | Modelos híbridos | pt_BR |
dc.subject | Demanda de água | pt_BR |
dc.subject | Dados meteorológicos | pt_BR |
dc.subject | Redes neurais | pt_BR |
dc.subject.other | Time series | pt_BR |
dc.subject.other | Machine learning | pt_BR |
dc.subject.other | Hybrid models | pt_BR |
dc.subject.other | Water demand | pt_BR |
dc.subject.other | Meteorological data | pt_BR |
dc.subject.other | Neural networks | pt_BR |
dc.title | Modelos de aprendizagem de máquina para previsão da demanda de água da região metropolitana de Salvador, Bahia. | pt_BR |
dc.title.alternative | Machine learning models for forecasting water demand in the metropolitan region of Salvador, Bahia. | pt_BR |
dc.type | Dissertação | pt_BR |
dc.publisher.program | Programa de Pós-Graduação em Ciência da Computação (PGCOMP) | pt_BR |
dc.publisher.initials | UFBA | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | pt_BR |
dc.contributor.advisor1 | Gomes, Gecynalda Soares da Silva | - |
dc.contributor.advisor1ID | https://orcid.org/0000-0002-8895-5834 | pt_BR |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/3389510216870588 | pt_BR |
dc.contributor.referee1 | Gomes, Gecynalda Soares da Silva | - |
dc.contributor.referee1ID | https://orcid.org/0000-0002-8895-5834 | pt_BR |
dc.contributor.referee1Lattes | http://lattes.cnpq.br/3389510216870588 | pt_BR |
dc.contributor.referee2 | Silva, Paulo Henrique Ferreira da | - |
dc.contributor.referee2ID | https://orcid.org/0000-0001-6312-6098 | pt_BR |
dc.contributor.referee2Lattes | http://lattes.cnpq.br/8538524597034643 | pt_BR |
dc.contributor.referee3 | Souza, Anderson Luiz Ara | - |
dc.contributor.referee3ID | https://orcid.org/0000-0002-1041-2768 | pt_BR |
dc.contributor.referee3Lattes | http://lattes.cnpq.br/8916772290938469 | pt_BR |
dc.creator.ID | https://orcid.org/0000-0002-6888-0302 | pt_BR |
dc.creator.Lattes | http://lattes.cnpq.br/9195249028579925 | pt_BR |
dc.identifier.doi | http://dx.doi.org/10.1007/s00521-023-08842-0 | pt_BR |
dc.description.resumo | A água é essencial para a vida humana e prever sua crescente demanda é um grande
desafio, o objetivo deste trabalho é propor um novo modelo híbrido, SVR-ANN, para
previsão de demanda de água, onde uma adaptação da metodologia proposta por Zhang
(2003) é utilizada para decompor as séries temporais de 10 reservatórios que abastecem
a Região Metropolitana de Salvador (RMS). Os dados utilizados são do consumo histórico
de janeiro/2017 a fevereiro/2022, em litros por hora, obtidos junto à empresa de
abastecimento local, Empresa Baiana de Águas e Saneamento (EMBASA), e dados meteorológicos
obtidos junto ao Instituto Nacional de Meteorologia do Brasil (INMET). Os
resultados demonstraram a viabilidade do uso do modelo proposto, comparado a outros
modelos tradicionais como o Multilayer Perceptron (MLP), Support Vector Regression
(SVR), Short Long Term Memory (LSTM) e Autoregressive and Integrated Moving Average
(ARIMA). | pt_BR |
dc.publisher.department | Instituto de Computação - IC | pt_BR |
dc.type.degree | Mestrado Acadêmico | pt_BR |
Aparece nas coleções: | Dissertação (PGCOMP)
|