Estratégia Evolutiva para Parametrização de Modelos de Previsão: Um Estudo de Caso com Níveis Máximos Mensais do Rio Xingu em Altamira/PA

  • Alen Costa Vieira UFPA/CENSIPAM
  • Gustavo Pessin UFPA

Resumo


O uso adequado de métodos de previsão pode auxiliar na prevenção, no gerenciamento e no planejamento de situações críticas. Métodos de previsão de variáveis de interesse podem ser endereçados como problemas de previsão de séries temporais. A previsão de séries temporais apresenta algumas questões em aberto, correntemente estudadas, entre estas questões estão (1) como definir o tamanho ótimo da janela de entrada do método de previsão e (2) como definir os conjuntos de variáveis (outras séries temporais) que impactam no modelo. Neste artigo, apresentamos como um algoritmo evolutivo pode ser empregado para escolher as variáveis climáticas e o tamanho dessas janelas para aumentar a precisão do modelo preditivo. O algoritmo evolutivo é empregado em um estudo de caso considerando níveis máximos do rio Xingu utilizando 18 diferentes séries temporais de variáveis climáticas. Mostramos também como configurações do algoritmo evolutivo podem levar a resultados mais consistentes.

Referências

Blum, A. L. and Langley, P. (1997). Selection of relevant features and examples in machine learning. Artificial Intelligence, 97(1-2):245–271.

Chen, S.-T. and Yu, P.-S. (2007). Pruning of support vector networks on flood forecasting. Journal of Hydrology, 347(1):67–78.

Dornelles, F., Goldenfum, J. A., and Pedrollo, O. C. (2013). Artificial neural network methos applied to forecasting river levels. Revista Brasileira de Recursos Hídricos, 18:45–54.

Eiben, A. E. and Schippers, C. A. (1998). On evolutionary exploration and exploitation. Fundamenta Informaticae, 35(1-4):35–50.

Franco, V. S. (2007). Previsão Hidrológica de Cheia Sazonal do Rio Xingu em Altamira-PA. Dissertação de Mestrado (PPGCA/UFPA).

IPCC (2013). INTERGOVERNMENTAL PANEL ON CLIMATE CHANGE - IPCC. Climate Change 2013: The physical science basis. Working Group I Contribution to the Fifth Assessment Report of the IPCC. Stockholm.

Michalewicz, Z. (1996). Genetic Algorithms + Data Structures = Evolution Programs (3rd Ed.). Springer.

Pfafstetter, O. (1989). Classificação de bacias hidrográficas - Metodologia de Classificação. Departamento Nacional de Obras de Saneamento (RJ).

Rezende, S. O. (2003). Sistemas inteligentes: fundamentos e aplicações. Malone.

Rocha, E. J. P., Rolim, P. A. M., and Santos, D. M. (2007). Modelo estatístico hidroclimático para previsão de níveis em Altamira-PA. In XVII Simpósio Brasileiro de Recursos Hídricos.

Rodrigues, M. M., Costa, M. G. F., and Filho, C. F. F. C. (2015). Proposta de um método para previsão de cheias sazonais utilizando redes neurais artificiais: Uma aplicação no rio amazonas. In Workshop de Computação Aplicada a Gestão do Meio Ambiente e Recursos Naturais (WCAMA).
Publicado
04/07/2016
VIEIRA, Alen Costa; PESSIN, Gustavo. Estratégia Evolutiva para Parametrização de Modelos de Previsão: Um Estudo de Caso com Níveis Máximos Mensais do Rio Xingu em Altamira/PA. In: WORKSHOP DE COMPUTAÇÃO APLICADA À GESTÃO DO MEIO AMBIENTE E RECURSOS NATURAIS (WCAMA), 7. , 2016, Porto Alegre. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2016 . p. 1905-1912. ISSN 2595-6124. DOI: https://doi.org/10.5753/wcama.2016.9549.