XGBOOST APLICADO NA PREVISÃO DE SÉRIES TEMPORAIS

INTRODUÇÃO: Com a diminuição dos recursos naturais disponíveis, cada vez mais se vê a necessidade de saber as tendências do futuro, assim a previsão de séries temporais consegue realizar essa tarefa, dando valores estimados, podendo assim prever um período de tempo dependendo da quantidade de dados utilizados. A análise do nível de água nos reservatórios e sua previsão se torna uma necessidade para otimizar o uso de bombas para suprir a demanda nos horários em que a energia é mais barata. – OBJETIVOS: Desenvolver modelos preditivos utilizando método de Aprendizado de Máquina Supervisionado, mais especificamente métodos de regressão para previsão de séries temporais. Com este intuito, o modelo de ensemble learning denominado XGBoost será comparado com modelos clássicos tais como ARIMA e Holt-Winters. – MATERIAIS E MÉTODO: Foram utilizados os dados fornecidos pela SANEPAR do Bairro Alto em Curitiba, PR no período de 01/2018 até 12/2019. Para previsão inicial foram utilizados os métodos Média Móvel Simples, Holt Winters, ARIMA, SARIMA e XGBoost. – RESULTADOS: Foi verificada a sazonalidade, a função de Autocorrelação (ACF) e a função de autocorrelação parcial (PACF) foram usadas para obter os parâmetros de construção dos modelos ARIMA e SARIMA realizando previsões lineares e sazonais. Na sequência foi empregado o XGBoost que utiliza árvores de decisões por pontuação para obter a melhor previsão possível em sistemas não lineares. Foram usadas métricas estatísticas como o MSE (Erro Quadrático Médio), MAE (Erro Médio Absoluto) e o MAPE (Erro Percentual Absoluto Médio) para verificação de desempenho das técnicas. – CONSIDERAÇÕES FINAIS: O modelo de previsão com melhor desempenho foi o XGBoost com MAE de 0,3.