Imputação de valores faltantes em série histórica no cenário automotivo

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSouza, Francisco Carlos Monteiro-
Autor(es): dc.contributorSilva, Rodolfo Adamshuk-
Autor(es): dc.contributorOliveira, Rafael Alves Paes de-
Autor(es): dc.contributorSouza, Francisco Carlos Monteiro-
Autor(es): dc.creatorPena, Leonardo Henrique Oliveira-
Data de aceite: dc.date.accessioned2025-08-29T12:45:19Z-
Data de disponibilização: dc.date.available2025-08-29T12:45:19Z-
Data de envio: dc.date.issued2023-05-31-
Data de envio: dc.date.issued2023-05-31-
Data de envio: dc.date.issued2022-06-22-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/31498-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1101271-
Descrição: dc.descriptionMachine learning models have been helping to create solutions for years, in many different areas of knowledge. Whether in the creation of a sales prediction, or the classification of an image. In time series specifically, we can predict the value of a product in the coming months, and thus anticipate any action to be more accurate. However, one of the most frequent problems encountered is the lack of data, that is, when we have a database with little information or with holes in its history. Due to this, some models do not work well and lose value due to lack of data. This work brings the proposal to solve the problem of missing data in a database with vehicle information. Through machine learning algorithms the missing data is filled in, based on the few filled in data.-
Descrição: dc.descriptionModelos de machine learning ajudam a criar soluções há anos, nas mais diversas áreas do conhecimento. Seja na criação de uma predição de venda, ou na classificação de uma imagem. Em series temporais especificamente, conseguimos predizer o valor de um produto nos próximos meses, e com isso antecipar qualquer ação para ser mais assertiva. Porém, um dos problemas que mais frequentes encontrados é a falta de dados, isto é, quando temos uma base de dados com pouca informação ou com buracos seu histórico. Devido a isso, alguns modelos não funcionam bem e perdem valor pela falta de dados. Esse trabalho traz a proposta de solucionar o problema de dados faltantes em uma base de dados com informações de veículos. Por meio de algoritmos de machine learning é feito o preenchimento dos dados ausentes, com base nos poucos dados preenchidos.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherDois Vizinhos-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherEspecialização em Ciência de Dados-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttps://creativecommons.org/licenses/by-sa/4.0/deed.pt_BR-
Palavras-chave: dc.subjectAnálise de séries temporais-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectAlgorítmos computacionais-
Palavras-chave: dc.subjectTime-series analysis-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectComputer algorithms-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO-
Título: dc.titleImputação de valores faltantes em série histórica no cenário automotivo-
Título: dc.titleImputation of missing values ​​in historical series in the automotive scenario-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.