Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/37576| Título: | Análise e previsão de dados meteorológicos com lacunas usando técnicas estatísticas e de aprendizado de máquina |
| Título(s) alternativo(s): | Analysis and prediction of meteorological data with gaps using statistical and machine learning techniques |
| Autor(es): | Uliana, Fernanda Paula |
| Orientador(es): | Soares Junior, Waldir Silva |
| Palavras-chave: | Análise de séries temporais Redes neurais (Computação) Mudanças climáticas Time-series analysis Neural networks (Computer science) Climatic changes |
| Data do documento: | 27-Jun-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Pato Branco |
| Citação: | ULIANA, Fernanda Paula. Análise e previsão de dados meteorológicos com lacunas usando técnicas estatísticas e de aprendizado de máquina. 2025. Trabalho de Conclusão de Curso (Licenciatura em Matemática) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2025. |
| Resumo: | Este trabalho tem como objetivos preencher lacunas em séries de precipitação e temperatura média, além de realizar previsões para um período de 12 meses a partir das séries completas, utilizando como base dados provenientes de uma estação meteorológica localizada na cidade de Dois Vizinhos, Paraná. Para as lacunas menores, foram aplicados os métodos de interpolação linear e da média histórica mensal. Para a maior lacuna, utilizou-se a técnica forward-backward, ajustando modelos de suavização exponencial, da metodologia Box & Jenkins e de redes neurais nas duas porções das séries. Posteriormente, foram ajustados modelos das mesmas abordagens às séries completas para a realização de previsões para um período de 12 meses. Utilizou-se como base para avaliação e comparação dos modelos a raiz do erro quadrático médio entre os valores previstos e os dados reais do período. Os resultados indicaram que o modelo de suavização exponencial apresentou melhor desempenho para a série de precipitação, enquanto o modelo de redes neurais foi superior para a série de temperatura, indicando que os modelos de redes neurais possuem melhor ajuste em série que apresentam comportamento sazonal homogêneo. |
| Abstract: | This study aims to fill gaps in precipitation and average temperature time series and generate 12-month forecasts from the completed series, using data from a meteorological station in Dois Vizinhos, Paraná, Brazil. Applied methods of linear interpolation and monthly historical average for smaller gaps. The forward-backward technique was employed, for the large gap, fitting exponential smoothing models, Box & Jenkins methodology and artificial neural networ to both segments. Subsequently, models using the same approaches were adjusted to the complete series to make forecasts for a 12-month period. The root mean square error between the predicted values and the actual data for the period was used as a basis for evaluation and comparing the models. The results indicated that the exponential smoothing model performed best for the precipitation series, while the neural network model was superior for the temperature series, indicating that neural network models have a better fit in series that present homogeneous seasonal behavior. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/37576 |
| Aparece nas coleções: | PB - Licenciatura em Matemática |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| analiseprevisaodadosmeteorologicos.pdf Disponível a partir de 2026-12-27 | 695,48 kB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
