Avaliação do modelo de previsão Prophet como ferramenta para preenchimento de falha de dados em séries climáticas

• Miguel de Lima UFMT
• Ivairton Monteiro Santos UFMT

DOI: https://doi.org/10.5753/eri-mt.2024.245806

Resumo

O desenvolvimento de sistemas de previsão enfrenta o desafio de lidar com dados climáticos inconsistentes e ausentes, resultantes de diversas causas, como falhas em sensores. Dois modelos de previsão foram comparados neste estudo: o Prophet (Facebook) e o Long Short Term-Memory (LSTM). Ambos foram aplicados a dados meteorológicos diários reais (temperatura, precipitação e umidade) de estações brasileiras (INMET). Embora o Prophet tenha se destacado pela simplicidade e rapidez na análise de grandes volumes de dados, os resultados demonstraram que o LSTM apresentou melhor desempenho em preencher lacunas em alguns cenários. A escolha do modelo depende de um equilíbrio entre aplicabilidade e eficiência.

Referências

Attri, P. Sharma, Y.. Takach, K. Shah, F., “Timeseries forecasting for weather prediction”. Keras. 2020. Disponível em: [link].

Wood, A. M., White, I. R., Thompson, S.G., “Are missing outcome data adequately handled? A review of published randomized controlled trials in major medical journals”. Clin Trials. 2004;1(4): 368-76. DOI: 10.1191/1740774504cn032oa.

Taylor, S. J., Letham, B., “Forecasting at scale”. PeerJ Preprints 5:e3190v2. 2017. DOI: 10.7287/peerj.preprints.3190v2

Hewage, P., Behera, A., Trovati, M., Pereira, E., “Long-Short Term Memory for an Effective Short-Term Weather Forecasting Model Using Surface Weather Data”. In: Artificial Intelligence Applications and Innovations. AIAI 2019.

Karevan, Z., Suykens, J. A. K.. “Transductive LSTM for time-series prediction: An application to weather forecasting”. Neural Networks. (2020). DOI: 10.1016/j.neunet.2019.12.030,