Aplicação de algoritmos de aprendizado supervisionado na previsão do consumo energético de edifícios

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorWojciechowski, Jaime, 1965--
Autor(es): dc.contributorUniversidade Federal do Paraná. Setor de Educação Profissional e Tecnológica. Curso de Especialização em Inteligência Artificial Aplicada-
Autor(es): dc.creatorAlmeida, Lucas de Souza-
Data de aceite: dc.date.accessioned2025-09-01T11:21:59Z-
Data de disponibilização: dc.date.available2025-09-01T11:21:59Z-
Data de envio: dc.date.issued2023-05-18-
Data de envio: dc.date.issued2023-05-18-
Data de envio: dc.date.issued2021-
Fonte completa do material: dc.identifierhttps://hdl.handle.net/1884/82661-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/1884/82661-
Descrição: dc.descriptionOrientador: Prof. Dr. Jaime Wojciechowski-
Descrição: dc.descriptionMonografia (especialização) - Universidade Federal do Paraná, Setor de Educação Profissional e Tecnológica, Curso de Especialização em Inteligência Artificial Aplicada.-
Descrição: dc.descriptionInclui referências-
Descrição: dc.descriptionResumo: Este estudo retrata a aplicação de métodos de aprendizado supervisionado na predição do consumo energético em edifícios. Dada a morfologia dos dados coletados, foi realizada uma etapa de pré-processamento, e na sequência foram testados todos os modelos de regressão disponíveis na biblioteca scikit-learn da linguagem python. Por fim o modelo ExtraTreeRegressor que apresentou maior coeficiente de determinação R2 passa por uma otimização de hiperparâmetros e tem seu desempenho determinado em relação às métricas MAE, RMSE e R2. Percebe-se que o desempenho do modelo é inferior em algumas categorias de consumo energético, e para essas é realizada a seleção e otimização de um novo modelo, o HistGradientBoostingRegressor, o qual tem seu desempenho em relação às métricas MAE, RMSE e R2 comparado com o modelo treinado na primeira etapa. Percebe-se uma elevação de 12,22% no coeficiente de determinação R2 , e uma redução de 24,55 e 22,23 respectivamente nas métricas de erro MAE e RMSE.-
Formato: dc.format1 recurso online : PDF.-
Formato: dc.formatapplication/pdf-
Formato: dc.formatapplication/pdf-
Palavras-chave: dc.subjectInteligência artificial-
Palavras-chave: dc.subjectAnalise de regressão-
Palavras-chave: dc.subjectEnergia eletrica - Consumo-
Título: dc.titleAplicação de algoritmos de aprendizado supervisionado na previsão do consumo energético de edifícios-
Aparece nas coleções:Repositório Institucional - Rede Paraná Acervo

Não existem arquivos associados a este item.