Por favor, use este identificador para citar o enlazar este ítem:
http://repositorio.ufc.br/handle/riufc/49168| Tipo: | TCC |
| Título : | Predição de séries temporais climáticas com aprendizagem profunda |
| Autor : | Mourão, Ícaro de Sena |
| Tutor: | Freire, Lívio Antônio Melo |
| Co-asesor: | Pereira, Marciel Barros |
| Palabras clave : | Aprendizagem profunda;Redes neurais;Séries temporais;Predição |
| Fecha de publicación : | 2019 |
| Citación : | MOURÃO, Ícaro de Sena. Predição de séries temporais climáticas com aprendizagem profunda. 2019. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) - Campus de Crateús, Universidade Federal do Ceará, Crateús, 2019. |
| Resumen en portugués brasileño: | A capacidade de predizer condições climáticas é fundamental para a tomada de decisão em diferentes áreas, como agricultura, pecuária, construção civil, transporte marítimo, aeronáutica e turismo, além de permitir compreender impactos da ação do homem na natureza. O avanço tecnológico, com o desenvolvimento de sensores, recursos computacionais e abordagens para compreender variáveis climáticas, vem aumentando a confiabilidade sobre predições de modelos meteorológicos. De modo geral, para construir esses modelos, precisa-se de séries temporais climáticas, que são dados coletados sobre uma ou várias variáveis ao longo do tempo. A partir das séries temporais, os parâmetros do modelo são estimados, para produzir predições sobre as variáveis com base em dados históricos. Os Modelos de Aprendizagem Profunda (AP) permitem a extração automática de características diretamente sobre dados, permitindo a construção de funções capazes de modelar padrões complexos. Diante disso, neste trabalho, propõe-se a aplicação de modelos de AP para construir preditores sobre dados climáticos. Para validar os resultados, os modelos serão submetidos a dados reais, cujas métricas serão utilizadas para validar a modelagem e a solução. |
| Abstract: | The ability to predict climatic conditions is fundamental for decision-making in different areas, such as agriculture, livestock, construction, maritime transport, aeronautics and tourism, as well as allowing the execution of human nature actions. Technological advancement, with the development of sensors, computational resources and approaches to understanding climate variations, comes with the application of predetermined weather models. In general, to build these models, you need climate time series, which is data collected about one or more variables over time. From time series, model models are estimated to produce predictions about variables based on historical data. Gls AP Models allow automatic extraction of resources directly from data, allowing the construction of functions capable of modeling patterns. Therefore, in this paper, it offers an application of gls AP models to build climate data editors. To validate the results, models can use real data, these measures are used to validate a modeling and a solution. |
| URI : | http://www.repositorio.ufc.br/handle/riufc/49168 |
| Aparece en las colecciones: | CIÊNCIA DA COMPUTAÇÃO - CRATEÚS - Monografias |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| 2019_tcc_ismourao.pdf | 3,15 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.