
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Oliveira, Luiz Eduardo Soares de, 1971- | - |
| Autor(es): dc.contributor | Universidade Federal do Paraná. Setor de Ciências Exatas. Curso de Especialização em Data Science & Big Data | - |
| Autor(es): dc.creator | Castella, Leonardo Morettini e | - |
| Data de aceite: dc.date.accessioned | 2025-09-01T12:26:22Z | - |
| Data de disponibilização: dc.date.available | 2025-09-01T12:26:22Z | - |
| Data de envio: dc.date.issued | 2024-02-07 | - |
| Data de envio: dc.date.issued | 2024-02-07 | - |
| Data de envio: dc.date.issued | 2021 | - |
| Fonte completa do material: dc.identifier | https://hdl.handle.net/1884/79928 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/1884/79928 | - |
| Descrição: dc.description | Orientador: Pr. Dr. Luiz Eduardo S. Oliveira | - |
| Descrição: dc.description | Monografia (especialização) - Universidade Federal do Paraná, Setor de Ciências Exatas, Curso de Especialização em Data Science & Big Data. | - |
| Descrição: dc.description | Inclui referências | - |
| Descrição: dc.description | Resumo: O trabalho mostra duas técnicas de predição de séries temporais, o tradicional ARIMA e a de deep learning chamada LSTM, aplicadas à demanda por energia elétrica na Califórnia. As bases de dados contêm a demanda residencial por energia elétrica, baixadas do site do departamento de energia dos Estados Unidos e tratada pelo autor. Foram separadas duas bases de dados para realizar as predições, demanda hora por hora e demanda média diária. O método ARIMA se mostrou mais eficiente para a predição de demanda por hora enquanto o modelo LSTM foi mais eficiente para a predição de demanda diária. O trabalho mostra também que o modelo de deep learning é mais eficiente para predições com bases de dados de maior tamanho do que o modelo tradicional ARIMA. | - |
| Descrição: dc.description | Abstract: The paper shows two time series prediction techniques, the traditional ARIMA and the deep learning one called LSTM, applied to the electricity demand in California. The databases contain residential electricity demand, downloaded from the US Department of Energy website, and handled by the author. Two databases were separated to perform the predictions, hourly demand, and daily average demand. The ARIMA method proved to be more efficient for predicting hourly demand while the LSTM model was more efficient for predicting daily demand. The work also shows that the deep learning model is more efficient for predictions with larger databases than the traditional ARIMA model. | - |
| Formato: dc.format | 1 recurso online : PDF. | - |
| Formato: dc.format | application/pdf | - |
| Formato: dc.format | application/pdf | - |
| Palavras-chave: dc.subject | Analise de series temporais - Processamento de dados | - |
| Palavras-chave: dc.subject | Predição | - |
| Palavras-chave: dc.subject | Energia elétrica | - |
| Título: dc.title | Modelos de predição de séries temporais aplicados à demanda de energia elétrica da Califórnia | - |
| Aparece nas coleções: | Repositório Institucional - Rede Paraná Acervo | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: