Análise comparativa de ferramentas do aprendizado de máquina para predição da produção de gasolina e etanol

Detalhes bibliográficos
Autor(a) principal: Lanzelotti, Samantha Vieira
Data de Publicação: 2022
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UNESP
Texto Completo: http://hdl.handle.net/11449/238447
Resumo: O Brasil tem papel de destaque no cenário mundial de combustíveis e biocombustíveis, e influência tanto nas movimentações externas quanto internas do mercado e do setor de energia. O uso da inteligência artificial e seus subcampos são peças fundamentais para tomadas de decisões mais objetivas e eficientes, além de propor estratégias matematicamente mais vantajosas. Dessa forma, este projeto apresentou, por intermédio de metodologias computacionais, um estudo da comparação entre os métodos aplicados para predição da produção média (m³) dos combustíveis mais utilizados no estado de São Paulo, região de maior demanda e consumo do país. Para tal, foram estudadas e empregadas tanto ferramentas de Análise Exploratória de Dados (AED) como modelos de Aprendizado de Máquina, sendo eles: Florestas Aleatórias (Random Forest), Redes Neurais Artificiais e ARIMA. Os modelos foram moldados e validados a partir do cruzamento de diferentes bases de dados, possibilitando o desenvolvimento de estratégias e novo aparato computacional para os agentes do mercado de energia. Os resultados obtidos foram de uma ferramenta computacional consistente, com bons níveis de assertividade pelos modelos, sendo o Random Forest o que mais se aproximou dos valores reais da produção (m³) da gasolina, cujo MAPE foi de 5,67%, enquanto para a produção (m³) do etanol, o modelo de série temporal - ARIMA - atingiu menor porcentagem de erro, equivalente a 5,88%. Sendo assim, a ferramenta é capaz de dar suporte a novos estudos de análises preditivas de Aprendizado de Máquina e agentes do setor de combustíveis.
id UNSP_60f5d7c2a67136778136539c30a258ae
oai_identifier_str oai:repositorio.unesp.br:11449/238447
network_acronym_str UNSP
network_name_str Repositório Institucional da UNESP
repository_id_str 2946
spelling Análise comparativa de ferramentas do aprendizado de máquina para predição da produção de gasolina e etanolComparative analysis of machine learning tools for predicting gasoline and ethanol productionCombustívelAprendizado de MáquinaEnergiaPrediçãoSérie temporalEnergyMachine LearningFuelsTime seriesO Brasil tem papel de destaque no cenário mundial de combustíveis e biocombustíveis, e influência tanto nas movimentações externas quanto internas do mercado e do setor de energia. O uso da inteligência artificial e seus subcampos são peças fundamentais para tomadas de decisões mais objetivas e eficientes, além de propor estratégias matematicamente mais vantajosas. Dessa forma, este projeto apresentou, por intermédio de metodologias computacionais, um estudo da comparação entre os métodos aplicados para predição da produção média (m³) dos combustíveis mais utilizados no estado de São Paulo, região de maior demanda e consumo do país. Para tal, foram estudadas e empregadas tanto ferramentas de Análise Exploratória de Dados (AED) como modelos de Aprendizado de Máquina, sendo eles: Florestas Aleatórias (Random Forest), Redes Neurais Artificiais e ARIMA. Os modelos foram moldados e validados a partir do cruzamento de diferentes bases de dados, possibilitando o desenvolvimento de estratégias e novo aparato computacional para os agentes do mercado de energia. Os resultados obtidos foram de uma ferramenta computacional consistente, com bons níveis de assertividade pelos modelos, sendo o Random Forest o que mais se aproximou dos valores reais da produção (m³) da gasolina, cujo MAPE foi de 5,67%, enquanto para a produção (m³) do etanol, o modelo de série temporal - ARIMA - atingiu menor porcentagem de erro, equivalente a 5,88%. Sendo assim, a ferramenta é capaz de dar suporte a novos estudos de análises preditivas de Aprendizado de Máquina e agentes do setor de combustíveis.Brazil has a prominent role in the world scenario of fuels and biofuels, and influence both in the external and internal movements of the market and the energy sector. The use of artificial intelligence and its subfields are fundamental for making more objective and efficient decisions, in addition to proposing mathematically more advantageous strategies. Thus, this project presented, through computational methodologies, a study of the comparison between the methods applied to predict the average production (m³) of the most used fuels in the state of São Paulo, the region with the highest demand and consumption in the country. For this purpose, both Exploratory Data Analysis (AED) and Machine Learning models were studied and used, namely: Random Forests, Artificial Neural Networks and ARIMA. The models were molded and validated from the intersection of different databases, enabling the development of strategies and new computational apparatus for energy market agents. The results obtained were from a consistent computational tool, with good levels of assertiveness for the models, with Random Forest being the one that came closest to the actual production values (m³) of gasoline, whose MAPE was 5.67%, while for the production (m³) of ethanol, the time series model- ARIMA- reached the lowest percentage of error, equivalent to 5.88%. Therefore, the tool is able to support new studies of predictive analysis of Machine Learning and agents in the fuel sector.Não recebi financiamentoUniversidade Estadual Paulista (Unesp)Oliveira, Kleber Rocha de [UNESP]Universidade Estadual Paulista (Unesp)Lanzelotti, Samantha Vieira2022-12-22T17:53:06Z2022-12-22T17:53:06Z2022-12-14info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisapplication/pdfhttp://hdl.handle.net/11449/238447porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2023-10-08T06:08:07Zoai:repositorio.unesp.br:11449/238447Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestopendoar:29462024-08-05T14:21:25.698497Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false
dc.title.none.fl_str_mv Análise comparativa de ferramentas do aprendizado de máquina para predição da produção de gasolina e etanol
Comparative analysis of machine learning tools for predicting gasoline and ethanol production
title Análise comparativa de ferramentas do aprendizado de máquina para predição da produção de gasolina e etanol
spellingShingle Análise comparativa de ferramentas do aprendizado de máquina para predição da produção de gasolina e etanol
Lanzelotti, Samantha Vieira
Combustível
Aprendizado de Máquina
Energia
Predição
Série temporal
Energy
Machine Learning
Fuels
Time series
title_short Análise comparativa de ferramentas do aprendizado de máquina para predição da produção de gasolina e etanol
title_full Análise comparativa de ferramentas do aprendizado de máquina para predição da produção de gasolina e etanol
title_fullStr Análise comparativa de ferramentas do aprendizado de máquina para predição da produção de gasolina e etanol
title_full_unstemmed Análise comparativa de ferramentas do aprendizado de máquina para predição da produção de gasolina e etanol
title_sort Análise comparativa de ferramentas do aprendizado de máquina para predição da produção de gasolina e etanol
author Lanzelotti, Samantha Vieira
author_facet Lanzelotti, Samantha Vieira
author_role author
dc.contributor.none.fl_str_mv Oliveira, Kleber Rocha de [UNESP]
Universidade Estadual Paulista (Unesp)
dc.contributor.author.fl_str_mv Lanzelotti, Samantha Vieira
dc.subject.por.fl_str_mv Combustível
Aprendizado de Máquina
Energia
Predição
Série temporal
Energy
Machine Learning
Fuels
Time series
topic Combustível
Aprendizado de Máquina
Energia
Predição
Série temporal
Energy
Machine Learning
Fuels
Time series
description O Brasil tem papel de destaque no cenário mundial de combustíveis e biocombustíveis, e influência tanto nas movimentações externas quanto internas do mercado e do setor de energia. O uso da inteligência artificial e seus subcampos são peças fundamentais para tomadas de decisões mais objetivas e eficientes, além de propor estratégias matematicamente mais vantajosas. Dessa forma, este projeto apresentou, por intermédio de metodologias computacionais, um estudo da comparação entre os métodos aplicados para predição da produção média (m³) dos combustíveis mais utilizados no estado de São Paulo, região de maior demanda e consumo do país. Para tal, foram estudadas e empregadas tanto ferramentas de Análise Exploratória de Dados (AED) como modelos de Aprendizado de Máquina, sendo eles: Florestas Aleatórias (Random Forest), Redes Neurais Artificiais e ARIMA. Os modelos foram moldados e validados a partir do cruzamento de diferentes bases de dados, possibilitando o desenvolvimento de estratégias e novo aparato computacional para os agentes do mercado de energia. Os resultados obtidos foram de uma ferramenta computacional consistente, com bons níveis de assertividade pelos modelos, sendo o Random Forest o que mais se aproximou dos valores reais da produção (m³) da gasolina, cujo MAPE foi de 5,67%, enquanto para a produção (m³) do etanol, o modelo de série temporal - ARIMA - atingiu menor porcentagem de erro, equivalente a 5,88%. Sendo assim, a ferramenta é capaz de dar suporte a novos estudos de análises preditivas de Aprendizado de Máquina e agentes do setor de combustíveis.
publishDate 2022
dc.date.none.fl_str_mv 2022-12-22T17:53:06Z
2022-12-22T17:53:06Z
2022-12-14
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/11449/238447
url http://hdl.handle.net/11449/238447
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 Estadual Paulista (Unesp)
publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
dc.source.none.fl_str_mv reponame:Repositório Institucional da UNESP
instname:Universidade Estadual Paulista (UNESP)
instacron:UNESP
instname_str Universidade Estadual Paulista (UNESP)
instacron_str UNESP
institution UNESP
reponame_str Repositório Institucional da UNESP
collection Repositório Institucional da UNESP
repository.name.fl_str_mv Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)
repository.mail.fl_str_mv
_version_ 1808128351754256384