ABORDAGEM HÍBRIDA DE DEEPAR E ARIMA PARA PREVISÃO DE SÉRIES TEMPORAIS

INTRODUÇÃO: Diante das incertezas que envolvem o futuro, a estimativa do consumo de água constitui um aspecto importante que exige um conjunto diversificado de métodos de previsão para enfrentar os desafios do planejamento e gerenciamento dos sistemas de distribuição de recursos hídricos. No Brasil, a Agência Nacional de Águas e Saneamento Básico (ANA) é a responsável, na esfera federal, por implementar a Política Nacional de Recursos Hídricos. Para municípios e estados, a responsabilidade pelo saneamento básico e gestão dos recursos hídricos é descentralizada, ou seja, fica a cargo das instituições específicas de cada localidade. Em Curitiba, PR, no estado do Paraná, a responsabilidade por esse serviço é atribuída à Companhia de Saneamento do Paraná (SANEPAR). OBJETIVOS: O objetivo deste projeto é abrange a previsão de séries temporais, utilizando uma abordagem de modelo híbrido que busca prever como uma sequência evoluirá com o tempo com base em dados passados. Para isso, são utilizados dois modelos: o Modelo Autoregressivo Integrado de Médias Móveis (do inglês Auto Regressive Integrated Moving Average, ARIMA), um modelo clássico que captura padrões de autocorrelação presentes nos dados temporais, e o modelo DeepAR, uma rede neural probabilística recorrente e auto-regressiva proposta pela Amazon. MATERIAIS E MÉTODO: A série temporal utilizada para previsão é a frequência de operação da bomba da empresa SANEPAR do Bairro Alto de Curitiba. Os resultados de previsão são obtidos por meio de abordagens individuais de cada modelo, bem como de abordagens híbridas, bem como previsão em sequência, média simples e métodos de regressão, tais como regressão linear, random forest e gradient boosting. As métricas de desempenho avaliadas incluem Erro Absoluto Médio (do inglês Mean Absolute Error, MAE), Erro Médio Quadrático (do inglês Mean Squared Error, MSE), Erro Médio Quadrático da Raiz (do inglês Root Mean Squared Error, RMSE), Erro Percentual Médio Absoluto (do inglês Mean Absolute Percentage Error, MAPE) e o tempo total de processamento de cada abordagem de previsão. RESULTADOS: O projeto alcançou com sucesso seus objetivos propostos. Os resultados obtidos mostram que a abordagem híbrida é uma metodologia que pode aprimorar a previsão de cada modelo, levando em consideração o contexto de implementação, como o horizonte de previsão, os modelos utilizados, as formas de hibridização e os conjuntos de séries temporais para treinamento. CONSIDERAÇÕES FINAIS: A abordagem proposta se mostrou promissora para aplicações de previsão de séries temporais de saneamento da empresa SANEPAR. Em futura pesquisa, novos problemas teste serão avaliados.

PALAVRAS-CHAVE: Previsão de séries temporais; DeepAR; Regressão; Modelo Híbrido; Aprendizado de máquina.