Uma avaliação de desempenho de algoritmos de aprendizado de máquina para previsão de chuvas

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorMedeiros, Dianne Scherly Valera de-
Autor(es): dc.contributorhttp://lattes.cnpq.br/8119805151400395-
Autor(es): dc.contributorCaminha, Pedro Henrique Cruz-
Autor(es): dc.contributorhttp://lattes.cnpq.br/5963001351694455-
Autor(es): dc.contributorFernandes, Natalia Castro-
Autor(es): dc.contributorhttp://lattes.cnpq.br/4205779497458915-
Autor(es): dc.creatorLazaro, Rafael de Araujo-
Data de aceite: dc.date.accessioned2024-07-11T17:38:54Z-
Data de disponibilização: dc.date.available2024-07-11T17:38:54Z-
Data de envio: dc.date.issued2022-08-02-
Data de envio: dc.date.issued2022-08-02-
Data de envio: dc.date.issued2021-
Fonte completa do material: dc.identifierhttp://app.uff.br/riuff/handle/1/25957-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/754590-
Descrição: dc.descriptionA ocorrência de chuvas intensas é frequente em municı́pios do estado do Rio de Janeiro. Como consequência, é comum ocorrerem problemas como deslizamentos de terra e alagamentos que podem surpreender a população de uma determinada região. Além de provocar problemas sociais, os alagamentos trazem problemas aos sistemas de telecomunicações, podendo deixar regiões sem conectividade. Isso ocorre porque os sites onde estão os equipamentos podem ter o acesso bloqueado devido ao elevado nı́vel de água nos arredores e podem ficar sem energia, desligando os equipamentos. Assim, é importante informar com antecedência sobre problemas resultantes de chuva intensa. Dessa forma, entidades governamentais e empresas de telecomunicações podem tomar ações para mitigar os efeitos da chuva intensa. Este trabalho tem como objetivo construir um classificador de chuvas com base em dados climáticos como velocidade do vento, umidade e temperatura. A construção dos modelos de classificação é feita a partir do treinamento de algoritmos de aprendizado de máquina. Utiliza-se um conjunto de dados publicamente disponı́vel para treinar o classificador. Avalia-se o desempenho dos algoritmos Árvore de Decisão, k-Vizinhos Mais Próximos, Perceptron Multicamadas, Bayesiano Ingênuo, Floresta Aleatória e Máquina de Vetor Suporte para determinar a intensidade da chuva. Os resultados mostram que o modelo gerado pelos algoritmos Floresta Aleatória, Perceptron Multicamadas e Árvore de Decisão apresentam desempenho ligeiramente superior aos demais. Contudo, o melhor custo-benefı́cio em termos de desempenho e tempo de execução é alcançado pela Árvore de Decisão.-
Descrição: dc.descriptionThe occurrence of heavy rainfall is frequent in the cities of Rio de Janeiro state. As a common consequence, there are problems such as landslides and flooding that can arise in a given region. Besides causing social issues, floods bring problems to telecommunications systems, resulting in regions with no connectivity. This happens because the access to the sites where equipment is located can be blocked due to the highly raised water level in the site surroundings, and these sites can suffer from power outages, turning off the equipment. Thus, it is important to inform in advance about problems resulting from heavy rainfall. As such, governmental entities and telecommunications companies can take action to mitigate the effects of the heavy rainfall. This work aims to build a rainfall classifier based on climate data such as wind speed, humidity, and temperature. To build the classification models we use machine learning algorithms. A publicly-available dataset is used to train the classifier. We evaluate the performance of Decision Tree, k-Nearest Neighbors, Multilayer Perceptron, Naı̈ve Bayes, Random Forest, and Support Vector Machine algorithms to determine the rainfall intensity. The results show that the models generated by Random Forest, Multilayer Perceptron, and Decision Tree algorithms achieve slightly better performance compared to the others. Nevertheless, the best cost- benefit in terms of performance and execution time is achieved by the Decision Tree.-
Descrição: dc.description44 p-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectClassificador-
Palavras-chave: dc.subjectClassificação de chuvas-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectChuva-
Palavras-chave: dc.subjectSistema de telecomunicação-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectClassifier-
Palavras-chave: dc.subjectRainfall classifier-
Título: dc.titleUma avaliação de desempenho de algoritmos de aprendizado de máquina para previsão de chuvas-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.