Análise Comparativa de Modelos LSTM e GRU Para Previsão da Velocidade do Vento / Comparative Analysis of LSTM and GRU Models for Wind Speed Prediction

• Autor(a) principal: Santos, José Airton Azevedo dos; Universidade Tecnológica Federal do Paraná - UTFPR
• Data de Publicação: 2024
• Outros Autores: Polo, Aldino Normelio Brun; Universidade Tecnológica Federal do Paraná - UTFPR, Santos, Cidmar Ortiz dos; Universidade Tecnológica Federal do Paraná - UTFPR
• Tipo de documento: Artigo
• Idioma: por
• Título da fonte: Revista FSA
• Texto Completo: http://www4.unifsa.com.br/revista/index.php/fsa/article/view/2917
• topic: Engenharia de Produção

Este trabalho tem como objetivo comparar o desempenho de previsão dos modelos LSTM (Long Short Term Memory) e GRU (Gated Recurrent Units). Para realizar essa comparação, utilizou-se uma base de dados de velocidade máxima do vento, obtida do Instituto Nacional de Meteorologia (INMET). Essa base apresenta uma série histórica mensal de velocidade máxima do vento, da estação meteorológica de Palmeira dos Índios, no período entre 2008 e 2020. Os modelos de previsão LSTM e GRU foram implementados em Python, utilizando a biblioteca Pytorch. Resultados obtidos dos dois modelos foram comparados por meio das métricas RMSE (Root Mean Squared Error), MAPE (Mean Absolute Percent Error) e MAE (Mean Absolute Error). Verificou-se, para um horizonte de curto prazo (6 meses), que a rede neural LSTM apresentou o melhor desempenho. Palavras-chave: Redes Neurais. Séries Temporais. Pytorch. Python.  ABSTRACT This work aims to compare the prediction performance of the LSTM (Long Short Term Memory) and GRU (Gated Recurrent Units) models. To carry out this comparison, a database of maximum wind speed, obtained from the National Institute of Meteorology (INMET), was used. This database presents a monthly historical series of maximum wind speed, from the Palmeira dos Índios meteorological station, in the period between 2008 and 2020. The LSTM and GRU forecast models were implemented in Python using the Pytorch library. Results obtained from the two models were compared using the metrics RMSE (Root Mean Squared Error), MAPE (Mean Absolute Percent Error) and MAE (Mean Absolute Error). It was verified, for a short-term horizon (6 months), that the LSTM neural network presented the best performance. Keywords: Neural Networks. Time Series. Pytorch. Python.