Publicação
Plataforma WEB para predição baseada em modelos de séries temporais
| Resumo: | Uma série temporal, também conhecida como série histórica, é uma sequência de dados obtidos a partir de intervalos regulares. Ao analisar uma série temporal, é primordialmente desejável modelar o fenómeno sob investigação para descrever o comportamento da série, fazer estimativas a partir daí e por fim avaliar quais os fatores que influenciaram o comportamento da série. Propõe-se um sistema web que visa analisar dados meteorológicos na forma de séries temporais, o que economiza tempo do pesquisador ao lidar com um grande volume de dados. O sistema integra tecnologias open source, como Python e o framework web Django, para a visualização de dados e tomada de decisões. Neste trabalho, analisamos e prevemos séries temporais usando o modelo ARIMA. Para tal, usamos técnicas manuais, que oferecem possibilidades para a parametrização do ARIMA e, na plataforma web, usamos técnicas automáticas. O COTR, Centro Operativo e de Tecnologia de Regadio, possui dados meteorológicos usados pela plataforma web para analisar e prever os diferentes parâmetros como por exemplo a temperatura mínima, máxima, etc. A utilização destes dados permitiu validar a plataforma web com dados reais e, a referida plataforma será usada pelos técnicos do Centro. A plataforma web desenvolvida nesse trabalho, está preparada para a utilização de outros dados que não sejam climatéricos. Para tal, necessita apenas de pequenos ajustes que poderão ser realizados futuramente. |
|---|---|
| Autores principais: | Leal, Adriano Regis Vidal |
| Assunto: | Séries temporais Aprendizado de máquina Aprendizado profundo ARIMA Predição Open source software Base de dados Serviços web |
| Ano: | 2022 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Instituto Politécnico de Beja |
| Idioma: | português |
| Origem: | Repositório Institucional do IPBeja |
| _version_ | 1866902704448602112 |
|---|---|
| author | Leal, Adriano Regis Vidal |
| author_facet | Leal, Adriano Regis Vidal |
| author_role | author |
| country_str | PT |
| creators_json_txt | [{\"Person.name\":\"Leal, Adriano Regis Vidal\"}] |
| datacite.creators.creator.creatorName.fl_str_mv | Leal, Adriano Regis Vidal |
| datacite.date.Accepted.fl_str_mv | 2022-02-22T00:00:00Z |
| datacite.date.available.fl_str_mv | 2023-02-09T14:42:53Z |
| datacite.date.embargoed.fl_str_mv | 2023-02-09T14:42:53Z |
| datacite.rights.fl_str_mv | http://purl.org/coar/access_right/c_abf2 |
| datacite.subjects.subject.fl_str_mv | Séries temporais Aprendizado de máquina Aprendizado profundo ARIMA Predição Open source software Base de dados Serviços web |
| datacite.titles.title.fl_str_mv | Plataforma WEB para predição baseada em modelos de séries temporais |
| dc.creator.none.fl_str_mv | Leal, Adriano Regis Vidal |
| dc.date.Accepted.fl_str_mv | 2022-02-22T00:00:00Z |
| dc.date.available.fl_str_mv | 2023-02-09T14:42:53Z |
| dc.date.embargoed.fl_str_mv | 2023-02-09T14:42:53Z |
| dc.format.none.fl_str_mv | application/pdf |
| dc.identifier.none.fl_str_mv | https://hdl.handle.net/20.500.12207/5781 |
| dc.language.none.fl_str_mv | por |
| dc.rights.none.fl_str_mv | http://purl.org/coar/access_right/c_abf2 |
| dc.subject.none.fl_str_mv | Séries temporais Aprendizado de máquina Aprendizado profundo ARIMA Predição Open source software Base de dados Serviços web |
| dc.title.fl_str_mv | Plataforma WEB para predição baseada em modelos de séries temporais |
| dc.type.none.fl_str_mv | http://purl.org/coar/resource_type/c_bdcc |
| description | Uma série temporal, também conhecida como série histórica, é uma sequência de dados obtidos a partir de intervalos regulares. Ao analisar uma série temporal, é primordialmente desejável modelar o fenómeno sob investigação para descrever o comportamento da série, fazer estimativas a partir daí e por fim avaliar quais os fatores que influenciaram o comportamento da série. Propõe-se um sistema web que visa analisar dados meteorológicos na forma de séries temporais, o que economiza tempo do pesquisador ao lidar com um grande volume de dados. O sistema integra tecnologias open source, como Python e o framework web Django, para a visualização de dados e tomada de decisões. Neste trabalho, analisamos e prevemos séries temporais usando o modelo ARIMA. Para tal, usamos técnicas manuais, que oferecem possibilidades para a parametrização do ARIMA e, na plataforma web, usamos técnicas automáticas. O COTR, Centro Operativo e de Tecnologia de Regadio, possui dados meteorológicos usados pela plataforma web para analisar e prever os diferentes parâmetros como por exemplo a temperatura mínima, máxima, etc. A utilização destes dados permitiu validar a plataforma web com dados reais e, a referida plataforma será usada pelos técnicos do Centro. A plataforma web desenvolvida nesse trabalho, está preparada para a utilização de outros dados que não sejam climatéricos. Para tal, necessita apenas de pequenos ajustes que poderão ser realizados futuramente. |
| dirty | 0 |
| eu_rights_str_mv | openAccess |
| format | masterThesis |
| id | ripb_15a3ee8be5437ea93fe3f5c80734d9bb |
| identifier.url.fl_str_mv | https://hdl.handle.net/20.500.12207/5781 |
| instacron_str | ipb |
| institution | Instituto Politécnico de Beja |
| instname_str | Instituto Politécnico de Beja |
| language | por |
| network_acronym_str | ripb |
| network_name_str | Repositório Institucional do IPBeja |
| oai_identifier_str | oai:repositorio.ipbeja.pt:20.500.12207/5781 |
| organization_str_mv | urn:organizationAcronym:ipb |
| person_str_mv | Leal, Adriano Regis Vidal |
| publishDate | 2022 |
| reponame_str | Repositório Institucional do IPBeja |
| repository_id_str | urn:repositoryAcronym:ripb |
| service_str_mv | urn:repositoryAcronym:ripb |
| spelling | porUma série temporal, também conhecida como série histórica, é uma sequência de dados obtidos a partir de intervalos regulares. Ao analisar uma série temporal, é primordialmente desejável modelar o fenómeno sob investigação para descrever o comportamento da série, fazer estimativas a partir daí e por fim avaliar quais os fatores que influenciaram o comportamento da série. Propõe-se um sistema web que visa analisar dados meteorológicos na forma de séries temporais, o que economiza tempo do pesquisador ao lidar com um grande volume de dados. O sistema integra tecnologias open source, como Python e o framework web Django, para a visualização de dados e tomada de decisões. Neste trabalho, analisamos e prevemos séries temporais usando o modelo ARIMA. Para tal, usamos técnicas manuais, que oferecem possibilidades para a parametrização do ARIMA e, na plataforma web, usamos técnicas automáticas. O COTR, Centro Operativo e de Tecnologia de Regadio, possui dados meteorológicos usados pela plataforma web para analisar e prever os diferentes parâmetros como por exemplo a temperatura mínima, máxima, etc. A utilização destes dados permitiu validar a plataforma web com dados reais e, a referida plataforma será usada pelos técnicos do Centro. A plataforma web desenvolvida nesse trabalho, está preparada para a utilização de outros dados que não sejam climatéricos. Para tal, necessita apenas de pequenos ajustes que poderão ser realizados futuramente.application/pdfporporPlataforma WEB para predição baseada em modelos de séries temporaisLeal, Adriano Regis VidalHandlehttps://hdl.handle.net/20.500.12207/57812023-02-09T14:42:53Z2022-02-22T00:00:00Z2022-02-22http://purl.org/coar/access_right/c_abf2open accessporSéries temporaisporAprendizado de máquinaporAprendizado profundoporARIMAporPrediçãoporOpen source softwareporBase de dadosporServiços web3867196 byteshttp://purl.org/coar/access_right/c_abf2application/pdffulltexthttps://repositorio.ipbeja.pt/bitstreams/bb79611b-7003-4f23-b9a1-2f52bcb5475e/downloadother research producthttp://purl.org/coar/resource_type/c_bdccmaster thesis |
| spellingShingle | Plataforma WEB para predição baseada em modelos de séries temporais Leal, Adriano Regis Vidal Séries temporais Aprendizado de máquina Aprendizado profundo ARIMA Predição Open source software Base de dados Serviços web |
| status | SINGLETON |
| subject.fl_str_mv | Séries temporais Aprendizado de máquina Aprendizado profundo ARIMA Predição Open source software Base de dados Serviços web |
| title | Plataforma WEB para predição baseada em modelos de séries temporais |
| title_full | Plataforma WEB para predição baseada em modelos de séries temporais |
| title_fullStr | Plataforma WEB para predição baseada em modelos de séries temporais |
| title_full_unstemmed | Plataforma WEB para predição baseada em modelos de séries temporais |
| title_short | Plataforma WEB para predição baseada em modelos de séries temporais |
| title_sort | Plataforma WEB para predição baseada em modelos de séries temporais |
| topic | Séries temporais Aprendizado de máquina Aprendizado profundo ARIMA Predição Open source software Base de dados Serviços web |
| topic_facet | Séries temporais Aprendizado de máquina Aprendizado profundo ARIMA Predição Open source software Base de dados Serviços web |
| url | https://hdl.handle.net/20.500.12207/5781 |
| visible | 1 |