REDE NEURAL CONVOLUCIONAL TEMPORAL APLICADA NA PREVISÃO DE SÉRIES TEMPORAIS

INTRODUÇÃO: Diante das incertezas que envolvem o futuro, a estimativa da temperatura climática acaba sendo uma ferramenta de auxílio para a tomada de decisão em diversos setores, exigindo um conjunto diversificado de métodos de previsão para enfrentar os desafios do planejamento. No Brasil, o Instituto Nacional de Meteorologia (INMET) desempenha um papel vital na coleta, análise e disseminação de informações meteorológicas e climáticas. OBJETIVOS: Logo, o objetivo deste projeto é avaliar uma abordagem de aprendizado profundo denominada rede neural convolucional temporal (do inglês Temporal Convolutional Network, TCN) para a previsão de 200 pontos futuros da série temporal da temperatura (em graus Celsius °C) da cidade de Curitiba, no estado do Paraná. MATERIAIS E MÉTODO: A série temporal possui intervalo de amostragem de 1h (coleta a cada 1h) e o projeto utiliza a linguagem de programação Python, com o suporte da biblioteca Darts. Inicialmente, foi realizada uma revisão da literatura sobre o modelo TCN para previsão de séries temporais. Em seguida, foi escolhido o intervalo de busca dos parâmetros para o modelo com base na literatura e configurado diversos variantes do TCN, ajustando os hiperparâmetros e utilizando o algoritmo TPE (Tree-structured Parzen Estimator) para otimização automática dos mesmos. Essa abordagem nos permitiu explorar diferentes configurações do modelo TCN que foram avaliadas com diferentes métricas de desempenho como o 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 execução do algoritmo. RESULTADOS: Os resultados obtidos demonstraram que o modelo aprendeu o padrão sazonal da temperatura ao longo dos dias, onde nenhum dos algoritmos apresentou overfitting (não se ajustou excessivamente a série temporal) e também uma memória muito longa. CONSIDERAÇÕES FINAIS: Para todas as métricas o modelo apresentou uma melhoria ao longo das tentativas das escolhas do conjunto de parâmetros da arquitetura (diminuição do erro), onde para o RMSE e MSE o modelo apresentou mais instabilidade com relação ao tempo, isto é, algumas escolhas de parâmetros causaram um maior tempo de treinamento por conta da complexidade da arquitetura (mas não maior que duas vezes o intervalo de amostragem), em compensação para o MAPE e o MAE apresentaram um comportamento parecido e uma média menor de tempo em relação as duas métricas anteriores.

PALAVRAS-CHAVE: Previsão de séries temporais; Aprendizagem de máquina; Rede Convolucional Temporal; TPE; Darts