Utilização de Aprendizado de Máquina no Cálculo de Valores Acumulados de Sombra

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorLage, Marcos-
Autor(es): dc.contributorhttp://lattes.cnpq.br/1679486689581930-
Autor(es): dc.contributorPaes, Aline Marins Paes-
Autor(es): dc.contributorhttp://lattes.cnpq.br/0506389215528790-
Autor(es): dc.contributorOliveira, Daniel-
Autor(es): dc.contributorhttp://lattes.cnpq.br/0743793296062293-
Autor(es): dc.contributorhttp://lattes.cnpq.br/6435836189190423-
Autor(es): dc.creatorMoreira, Gustavo Muller-
Data de aceite: dc.date.accessioned2024-07-11T17:44:26Z-
Data de disponibilização: dc.date.available2024-07-11T17:44:26Z-
Data de envio: dc.date.issued2022-10-31-
Data de envio: dc.date.issued2022-10-31-
Fonte completa do material: dc.identifierhttp://app.uff.br/riuff/handle/1/26743-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/756537-
Descrição: dc.descriptionCom uma perspectiva de crescimento nos próximos anos, as grandes cidades lutam para manter a qualidade de vida de seus moradores por meio de um crescimento ordenado. Nesse contexto, um dos grandes desafios para o planejamento urbano é a gestão da projeção das sombras das construções, visto que essas podem afetar a distribuição de calor e luminosidade em toda a cidade. Para solucionar esse problema, ferramentas que tentam prever o impacto da construção, modificação e remoção de estruturas urbanas têm sido criadas para serem usadas por especialistas. Essas ferramentas, porém, são custosas computacionalmente e por isso limitam-se a serem usadas em contextos e espaços de tempo reduzidos. Por isso, o presente trabalho desenvolveu um modelo de Aprendizado de Máquina utilizando Redes Neurais Artificiais (MLPs) para tentar prever os acumulados de sombra em uma cidade de maneira mais rápida, utilizando dados de sombra pré-calculados. Esse modelo é o resultado de sucessivas evoluções de uma solução inicial que utilizou Regressão Polinomial, as quais foram desenvolvidas através do ajuste de hiperparâmetros, da seleção de variáveis e do estudo dos erros cometidos por cada um dos modelos. O modelo final foi bem sucedido em prever os acumulados de sombra em Nova Iorque com a seguinte avaliação média: 58,89 (RMSE em minutos), 0,87 (R2) e 38,62 (MAE em minutos). Entretanto, foi demonstrado que o modelo não tem capacidade de generalização geográfica e temporal suficiente, isto é, ele ainda não pode ser usado com o mesmo sucesso em qualquer cidade do globo e em qualquer dia do ano. Resolver esse problema envolve a utilização de um modelo mais complexo, de dados de maior qualidade e quantidade e o uso de técnicas de pós-processamento e pré-processamento dos dados.-
Descrição: dc.descriptionWith the perspective of growing in the next years, many big cities have been fighting to maintain citizens’ quality of life through a well planned growth. In that context, one of the biggest challenges in urban planning is the management of shadow casting from buildings, since it can affect heat and sunlight distribution throughout the city. This challenge is being explored by tools (used by specialists) that try to predict the impact of the construction, modification and demolition of urban structures. These tools, however, are computationally expensive and usually limited to small contexts and time spans. That being the case, the present work proposes a Machine Learning model that uses Artificial Neural Networks (MLP) to predict shadow accumulation more efficiently, using precalculated shadow data. The model is the result of iterative evolutions of a initial solution that used Polynomial Regression. The evolutions were built through hyperparameter optimization, feature engineering and error investigation. In the end of this process the model was evaluated in New York with the following scores: 58,89 (RMSE in minutes), 0,87 (R2) and 38,62 (MAE in minutes). Yet, the model does not have a suficient temporal and geographical generalization, which means that it can not be used (with the same success) in any city of the globe or day of the year. Solving these problems envolves the utilization of a more complex model, higher quality and quantity of data and the use of pre and post processing.-
Descrição: dc.description73 f.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectAprendizado de Máquina-
Palavras-chave: dc.subjectRedes Neurais-
Palavras-chave: dc.subjectMLP-
Palavras-chave: dc.subjectSombras-
Palavras-chave: dc.subjectCidades-
Palavras-chave: dc.subjectPlanejamento Urbano-
Palavras-chave: dc.subjectLuz solar-
Palavras-chave: dc.subjectQualidade de Vida-
Palavras-chave: dc.subjectAcumulação de Sombras-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectRede neural-
Palavras-chave: dc.subjectPlanejamento urbano-
Palavras-chave: dc.subjectQualidade de vida-
Palavras-chave: dc.subjectIluminação natural-
Palavras-chave: dc.subjectMachine Learning-
Palavras-chave: dc.subjectNeural Network-
Palavras-chave: dc.subjectMLP-
Palavras-chave: dc.subjectShadow-
Palavras-chave: dc.subjectCities-
Palavras-chave: dc.subjectUrban Planning-
Palavras-chave: dc.subjectSunlight-
Palavras-chave: dc.subjectQuality of life-
Palavras-chave: dc.subjectShadow Accumulation-
Título: dc.titleUtilização de Aprendizado de Máquina no Cálculo de Valores Acumulados de Sombra-
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.