Predição de demanda de energia em prédios comerciais usando aprendizado online

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorBernardini, Flávia Cristina-
Autor(es): dc.contributorVianna, Dalessandro Soares-
Autor(es): dc.contributorMeza, Edwin Benito Mitacc-
Autor(es): dc.creatorFernandes, Luís Felipe de Oliveira-
Data de aceite: dc.date.accessioned2025-01-03T11:42:16Z-
Data de disponibilização: dc.date.available2025-01-03T11:42:16Z-
Data de envio: dc.date.issued2024-07-23-
Data de envio: dc.date.issued2024-07-23-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/33558-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/920166-
Descrição: dc.descriptionSegundo [Cury and Marques, 2017], as cidades inteligentes devem ter sua construção pautada em relações harmoniosas com o meio ambiente com medidas racionais para utilização dos recursos ambientais das diversas formas possíveis, principalmente em condições essenciais à vida humana como água e energia. E com o avanço do uso de tecnologias, o ser humano passa a ser um dos principais fomentadores de informações e soluções para as cidades inteligentes. O Aprendizado de Máquina Online é um método onde os dados se tornam disponíveis sequencialmente, chamados de fluxo de dados, e são usados para atualizar o melhor algoritmo de predição a cada rodada de leitura de dados. Isso significa que no aprendizado de máquina online, os dados estão sendo inseridos a todo momento e em grandes quantidades. O objetivo deste trabalho é analisar uma base de dados aberta de consumo de energia predial e fazer uma predição dos próximos índices de consumos dos prédios. Para alcançar esse objetivo, será utilizada a ferramenta MOA para avaliação do desempenho dos algoritmos online selecionados e verificação da performance dos mesmos em comparação com os algoritmos em lote que serão analisados através da ferramenta WEKA. Além disso, neste trabalho é feito uma revisão da literatura com a construção de uma bibliometria que pudesse contribuir com o trabalho, destacando os trabalhos que mais se aproximam do tema proposto. Ao final do trabalho são mostrados os resultados das avaliações dos algoritmos com base nas métricas escolhidas, com partes gráficas comparando os dados gerados-
Descrição: dc.descriptionBased on [Cury and Marques, 2017], smart cities should be built on harmonious relationships with the environment with rational measures to use environmental resources in many ways. Especially under condition essential to human life such as water and energy. And with the advance of the use of technologies, the human being becomes one of the main promoters of information and solutions for smart cities. Online Machine Learning is a method where data becomes available sequentially, called a data stream, and is used to update the best prediction algorithm with each round of data reading. This means that in online machine learning, data is being entered all the time and in large quantities. The objective of this work is to analyze an open database of energy consumption and building electricity and to make a prediction of the next rates of consumption of buildings. To achieve this goal, the MOA tool will be used to evaluate the performance of the selected online algorithms and verify their performance against the batch algorithms that will be analyzed using the WEKA tool. In addition, this paper reviews the literature with the construction of a bibliometrics that could contribute to the work, highlighting the works that are closest to the proposed theme. At the end of the work, the results of the algorithm evaluations are shown based on the chosen metrics, with graphical parts comparing the generated data-
Descrição: dc.description58 p.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectAprendizado de Máquina Online-
Palavras-chave: dc.subjectAprendizado Supervisionado-
Palavras-chave: dc.subjectInteligência Artificial-
Palavras-chave: dc.subjectCidades Inteligentes-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectArtificial Intelligence-
Palavras-chave: dc.subjectOnline Learning-
Palavras-chave: dc.subjectData Stream-
Palavras-chave: dc.subjectSupervised Learning-
Palavras-chave: dc.subjectSmart Cities-
Título: dc.titlePredição de demanda de energia em prédios comerciais usando aprendizado online-
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.