Modelos de séries temporais e redes neurais na previsão de vazão
Autor(a) principal: | |
---|---|
Data de Publicação: | 2009 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFLA |
Texto Completo: | http://repositorio.ufla.br/jspui/handle/1/1918 |
Resumo: | Modelos de Sistemas Biológicos |
id |
UFLA_fee7fe51df75ef407e2307f5fc0fc30c |
---|---|
oai_identifier_str |
oai:localhost:1/1918 |
network_acronym_str |
UFLA |
network_name_str |
Repositório Institucional da UFLA |
repository_id_str |
|
spelling |
Modelos de séries temporais e redes neurais na previsão de vazãoRiver flow analysis and forecasting using time series and artificial neural networks modelsRedes neurais artificiaisVazão fluvialSéries temporaisAnálise de séries temporaisBacias fluviais - VazãoArtificial neural networksRiver flowTime seriesModelo SARIMACNPQ_NÃO_INFORMADOModelos de Sistemas BiológicosA previsão do comportamento hidrológico de rios afluentes a reservatórios de usinas hidroelétricas consiste em uma das principais ferramentas para gestão da produção de energia elétrica brasileira. Conhecer os valores futuros da vazão de um rio é de extrema importância para o planejamento dos sistemas hidroelétricos. Diante desse contexto, o presente trabalho investiga duas metodologias distintas para realizar previsão de séries temporais de vazões fluviais: Box & Jenkins e Redes Neurais Artificiais. Os dados utilizados neste trabalho são os valores da vazão média mensal do Rio Grande. O conjunto de dados consiste em 216 observações que abrangem desde Janeiro/1990 a Dezembro/2007. Foram construídos modelos originados da metodologia sugerida por Box & Jenkins e também modelos baseados na técnica de Redes Neurais Artificiais. Tais modelos foram avaliados de acordo com o critério do EQMP e MAPE para que os melhores modelos para a série temporal em estudo fossem selecionados. O modelo estatístico que melhor se adequou ao conjunto de dados foi um SARIMA(0,1,1)(0,1,2)12. O modelo de redes neurais que teve melhor adequação junto ao conjunto de dados foi uma MLP(12,20,1). Os modelos selecionados foram empregados para prever valores futuros da série histórica de vazões naturais do Rio Grande (posto fluviométrico de Madre de Deus de Minas, MG). Foi realizada uma análise comparativa entre ambas as técnicas empregadas no prognóstico da série temporal. Os resultados obtidos na comparação mostram que cada metodologia pode ser ajustada adequadamente ao conjunto de observações em estudo, entretanto cada técnica possui vantagens e desvantagens. A metodologia de Box & Jenkins tem como ponto a seu favor o fato de extrair informações importantes sobre a série temporal, tais como: identificação de ciclos e tendências. Tal extração de informações da série não ocorre na técnica de Redes Neurais Artificiais, o que se torna um ponto negativo para essa técnica. Para a série de vazões do Rio Grande, o ponto positivo da utilização de Redes Neurais foi a obtenção de valores de previsão mais precisos do que os obtidos pelos modelos estatísticos propostos por Box & Jenkins.Forecasting the hydrological behavior of inflowing rivers into reservoirs of hydroelectric plants is one of the main tools for managing the production of electric power in Brazil. Knowing the future values of a river’s flow is critical when planning hydroelectric systems. Considering such background, this work aims at investigating two different methods to forecast time series of river flows: Box & Jenkins and Artificial Neural Networks. The data used in this work are the values of average monthly flow of Rio Grande (stream gauge station of Madre de Deus de Minas, MG). The data set consists of 216 observations that were done between January/1990 to December/2007. Models originated from the Box & Jenkins method, as well as models based on the Artificial Neural Networks technique, have been constructed. These models were evaluated according to the EQMP and MAPE criteria in order to select the best models for the studied time series. The statistical model that best suited the data set was a SARIMA(0,1,1)(0,1,2)12. The neural networks model that best adjusted to the data set was an MLP(12,20,1). The selected models were used to forecast future values of the historical series of Rio Grande’s natural flows. A comparative analysis between both techniques used at the prognostication of time series has been done. The results obtained from this comparison have shown that each method can be adequately adjusted to the set of studied observations; however, each technique has both advantages and disadvantages. The Box & Jenkins method has as an advantage the fact that it extracts important information from the time series, such as identification of cycles and trends. This extraction of information from the series does not occur in the Artificial Neural Networks technique, which is a drawback to this technique. In Rio Grande’s flow series, the positive aspect of using Neural Networks was that the obtained prediction values were more accurate than the ones from the statistical models proposed by Box & Jenkins.UNIVERSIDADE FEDERAL DE LAVRASDEG - Programa de Pós-graduaçãoUFLABRASILLacerda, Wilian SoaresSáfadi, ThelmaBraga Júnior, Roberto AlvesBatista, André Luiz França2014-08-01T11:49:06Z2014-08-01T11:49:06Z20092014-08-012009-11-23info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfBATISTA, A. L. F. Análise e previsões de vazões utilizando modelos de séries temporais e redes neurais artificiais. 2009. 79 p. Dissertação (Mestrado em Engenharia de Sistemas)-Universidade Federal de Lavras, Lavras, 2009.http://repositorio.ufla.br/jspui/handle/1/1918info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFLAinstname:Universidade Federal de Lavras (UFLA)instacron:UFLA2023-05-02T12:40:22Zoai:localhost:1/1918Repositório InstitucionalPUBhttp://repositorio.ufla.br/oai/requestnivaldo@ufla.br || repositorio.biblioteca@ufla.bropendoar:2023-05-02T12:40:22Repositório Institucional da UFLA - Universidade Federal de Lavras (UFLA)false |
dc.title.none.fl_str_mv |
Modelos de séries temporais e redes neurais na previsão de vazão River flow analysis and forecasting using time series and artificial neural networks models |
title |
Modelos de séries temporais e redes neurais na previsão de vazão |
spellingShingle |
Modelos de séries temporais e redes neurais na previsão de vazão Batista, André Luiz França Redes neurais artificiais Vazão fluvial Séries temporais Análise de séries temporais Bacias fluviais - Vazão Artificial neural networks River flow Time series Modelo SARIMA CNPQ_NÃO_INFORMADO |
title_short |
Modelos de séries temporais e redes neurais na previsão de vazão |
title_full |
Modelos de séries temporais e redes neurais na previsão de vazão |
title_fullStr |
Modelos de séries temporais e redes neurais na previsão de vazão |
title_full_unstemmed |
Modelos de séries temporais e redes neurais na previsão de vazão |
title_sort |
Modelos de séries temporais e redes neurais na previsão de vazão |
author |
Batista, André Luiz França |
author_facet |
Batista, André Luiz França |
author_role |
author |
dc.contributor.none.fl_str_mv |
Lacerda, Wilian Soares Sáfadi, Thelma Braga Júnior, Roberto Alves |
dc.contributor.author.fl_str_mv |
Batista, André Luiz França |
dc.subject.por.fl_str_mv |
Redes neurais artificiais Vazão fluvial Séries temporais Análise de séries temporais Bacias fluviais - Vazão Artificial neural networks River flow Time series Modelo SARIMA CNPQ_NÃO_INFORMADO |
topic |
Redes neurais artificiais Vazão fluvial Séries temporais Análise de séries temporais Bacias fluviais - Vazão Artificial neural networks River flow Time series Modelo SARIMA CNPQ_NÃO_INFORMADO |
description |
Modelos de Sistemas Biológicos |
publishDate |
2009 |
dc.date.none.fl_str_mv |
2009 2009-11-23 2014-08-01T11:49:06Z 2014-08-01T11:49:06Z 2014-08-01 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
BATISTA, A. L. F. Análise e previsões de vazões utilizando modelos de séries temporais e redes neurais artificiais. 2009. 79 p. Dissertação (Mestrado em Engenharia de Sistemas)-Universidade Federal de Lavras, Lavras, 2009. http://repositorio.ufla.br/jspui/handle/1/1918 |
identifier_str_mv |
BATISTA, A. L. F. Análise e previsões de vazões utilizando modelos de séries temporais e redes neurais artificiais. 2009. 79 p. Dissertação (Mestrado em Engenharia de Sistemas)-Universidade Federal de Lavras, Lavras, 2009. |
url |
http://repositorio.ufla.br/jspui/handle/1/1918 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
UNIVERSIDADE FEDERAL DE LAVRAS DEG - Programa de Pós-graduação UFLA BRASIL |
publisher.none.fl_str_mv |
UNIVERSIDADE FEDERAL DE LAVRAS DEG - Programa de Pós-graduação UFLA BRASIL |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFLA instname:Universidade Federal de Lavras (UFLA) instacron:UFLA |
instname_str |
Universidade Federal de Lavras (UFLA) |
instacron_str |
UFLA |
institution |
UFLA |
reponame_str |
Repositório Institucional da UFLA |
collection |
Repositório Institucional da UFLA |
repository.name.fl_str_mv |
Repositório Institucional da UFLA - Universidade Federal de Lavras (UFLA) |
repository.mail.fl_str_mv |
nivaldo@ufla.br || repositorio.biblioteca@ufla.br |
_version_ |
1815439225254838272 |