Sistemas evolutivos baseados em regras para previsão de séries temporais meteorológicas

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorLeite, Daniel Furtado-
Autor(es): dc.contributorCosta Júnior, Pyramo-
Autor(es): dc.contributorCosta, Bruno Sielly Jales-
Autor(es): dc.creatorSoares, Eduardo Almeida-
Data de aceite: dc.date.accessioned2026-02-09T12:19:36Z-
Data de disponibilização: dc.date.available2026-02-09T12:19:36Z-
Data de envio: dc.date.issued2017-10-05-
Data de envio: dc.date.issued2017-10-05-
Data de envio: dc.date.issued2017-10-05-
Data de envio: dc.date.issued2017-08-25-
Fonte completa do material: dc.identifierhttps://repositorio.ufla.br/handle/1/15470-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1159046-
Descrição: dc.descriptionThis work considers evolving intelligent methods for weather time series prediction. We evaluate the methods evolving Takagi-Sugeno (eTS), eXtended Takagi-Sugeno (xTS), Dynamic Evolving Neural Fuzzy Inference System (DENFIS), Fuzzy-Set Based evolving Modeling (FBeM), and a variation of cloud-based intelligent method known as typicality-and-eccentricity-based method for data analysis (TEDA). The objective is to develop data-centric nonlinear and timevarying models to predict mean monthly temperature. Past values of minimum, maximum and mean monthly temperature, as well as previous values of exogenous variables such as cloudiness, rainfall and humidity are considered in the analysis. A non-parametric Spearman correlation based method is proposed to rank and select the most relevant features and time delays for a more accurate prediction. The datasets were obtained from weather stations located in main Brazilian cities such as Sao Paulo, Manaus, Porto Alegre, and Natal. These cities are known to have particular weather characteristics. Additionally, an ensemble of cloud and fuzzy models and fuzzy aggregation operators is developed to give single-valued and granular predictions of the time series. Granular predictions convey a range of possible temperature values. Therefore, it provides a notion about the error and uncertainty associated with the single-valued predictions.-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)-
Descrição: dc.descriptionEste trabalho considera métodos inteligentes evolutivos para previsão de séries temporais meteorológicas. São avaliados os métodos evolving Takagi-Sugeno (eTS), eXtended Takagi-Sugeno (xTS), Dynamic Evolving Neural Fuzzy Inference System (DENFIS), Fuzzy-Set Based evolving Modeling (FBeM), e uma variação de um método inteligente baseado em nuvens de dados chamado Typicality and Eccentricity Data Analytics (TEDA). O objetivo é desenvolver modelos centrados em dados, não lineares e variantes no tempo para previsão de temperatura média mensal. Valores passados de temperatura mínima, máxima e média, assim como valores passados de variáveis exógenas como o nível de nebulosidade, precipitação de chuva e umidade do ar são levados em conta na previsão. É proposto um método não-paramétrico baseado na correlação de Spearman para ordenação e seleção das características e atrasos de tempo mais importantes para a previsão. As bases de dados foram obtidas de estações meteorológicas localizadas nas cidades de São Paulo, Manaus, Porto Alegre, e Natal. Estas cidades têm características climáticas particulares. Ademais, um ensemble de nuvens de dados, modelos fuzzy e operadores de agregação fuzzy é proposto para a obtenção de previsões singulares e granulares das séries temporais. Previsões granulares envolvem uma faixa de valores possíveis de temperatura e, portanto, contribuem com uma noção sobre o erro e a incerteza associados às previsões singulares.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Federal de Lavras-
Publicador: dc.publisherPrograma de Pós-Graduação em Engenharia de Sistemas e Automação-
Publicador: dc.publisherUFLA-
Publicador: dc.publisherbrasil-
Publicador: dc.publisherDepartamento de Engenharia-
Direitos: dc.rightsacesso aberto-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectNuvens de dados-
Palavras-chave: dc.subjectSistemas inteligentes evolutivos-
Palavras-chave: dc.subjectPrevisão de séries temporais-
Palavras-chave: dc.subjectFluxo de dados online-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectData clouds-
Palavras-chave: dc.subjectEvolving intelligent systems-
Palavras-chave: dc.subjectWeather time series prediction-
Palavras-chave: dc.subjectOnline data stream-
Palavras-chave: dc.subjectMetodologia e Técnicas da Computação-
Título: dc.titleSistemas evolutivos baseados em regras para previsão de séries temporais meteorológicas-
Título: dc.titleRule-based evolving systems for weather time series prediction-
Tipo de arquivo: dc.typedissertação-
Aparece nas coleções:Repositório Institucional da Universidade Federal de Lavras (RIUFLA)

Não existem arquivos associados a este item.