Previsão de demanda de água potável em Cidades Inteligentes por meio do algoritmo de modelagem de séries temporais PROPHET

• Tobias Barreto UFF / Grupo Águas do Brasil
• Flavia Bernardini UFF
• Daniel de Oliveira UFF

DOI: https://doi.org/10.5753/wcge.2024.3092

Resumo

As Cidades Inteligentes (CI) buscam melhorar a prestação de serviços por meio da implementação de novas tecnologias com foco no planejamento, desenvolvimento, operação e governança das cidades. Indicadores referentes ao Saneamento Básico, como índice de volume de esgoto, consumo médio per capita de água e perdas na distribuição de água, compõem uma das dimensões de avaliação de uma CI. Nesse contexto, para evolução da qualidade de vida dos cidadãos, a previsão de volume de água tratada a ser distribuída é de grande importância no planejamento estratégico das organizações responsáveis de saneamento básico nas cidades. O objetivo desse artigo é realizar uma avaliação empírica do modelo de series temporais PROPHET para realizar a previsão do volume de água a ser distribuído em Niterói, RJ. Os dados reais foram coletados e tratados de uma organização sediada em Niterói, RJ.

Referências

Abreu, João Paulo Maciel Marchiori, F. F. (2023). Ferramentas de avaliação de desempenho de cidades inteligentes: uma análise da norma iso 37122:2019. PARC Pesquisa em Arquitetura e Construção, 14(00).

Anthopoulos, L. (2017). Smart utopia vs smart reality: Learning by experience from 10 smart city cases. Cities, 63:128–148.

Banni, M., Rosseti, I., and de Oliveira, D. (2022). Hurricane: um serviçoo para gerência de dados de aplicaçõeses de cidades inteligentes. In Anais do XXXVII Simpósio Brasileiro de Bancos de Dados, pages 151–163. SBC.

Camara, L. R. A., da Silva, D. D. S., Sales, L. L. N., Silva, D. W. S., and Pinheiro, E. M. (2019). Qualidade de vida e percepção ambiental dos moradores de comunidades rurais em são luís (ma). Revista Brasileira de Educação Ambiental (RevBEA), 14(1):263–274.

Chen, Tianqi, G. C. (2016). Xgboost: a scalable tree boosting system proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining; 2016: 785-794. ACM, New York, NY.

Cruz, M. M., Bernardini, F. C., Nunes, V. T., and Bastos, C. A. (2022). Uma analise empirica dos planejamentos estratégicos das capitais brasileiras com foco na construção de cidades inteligentes. In Anais do X Workshop de Computação Aplicada em Governo Eletrônico, pages 157–167. SBC.

de Assis Cunha, I. B., Baracho, R. M. A., et al. (2019). Dados abertos e suas aplicações em cidades inteligentes. Liinc em Revista, 15(2).

Giffinger, R., Fertner, C., Kramar, H., Meijers, E., et al. (2007). City-ranking of european medium-sized cities. Cent. Reg. Sci. Vienna UT, 9(1):1–12.

Kimball, R. and Ross, M. (2013). The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling. Wiley, Indianapolis, IN, 3 edition.

Liu, C., Liu, Z., Yuan, J., Wang, D., and Liu, X. (2024). Urban water demand prediction based on attention mechanism graph convolutional network-long short-term memory. Water, 16(6):831.

Sajjanshetty, A. S., Jayanth, V., Mohan, R., Pahari, S., and Deepti, C. (2023). Estimation of community water consumption using multivariate ensemble approach. In 2023 IEEE International Conference on Contemporary Computing and Communications (InC4), volume 1, pages 1–5. IEEE.

Schwetschenau, S. E., VanBriesen, J. M., and Cohon, J. L. (2019). Integrated multiobjective optimization and simulation model applied to drinking water treatment placement in the context of existing infrastructure. Journal of Water Resources Planning and Management, 145(11):04019048.

Taylor, S. J. and Letham, B. (2018). Forecasting at scale. The American Statistician, 72(1):37–45.

Zhang, G. P. (2003). Time series forecasting using a hybrid arima and neural network model. Neurocomputing, 50:159–175.