ABORDAGEM LIGHTGBM APLICADA PARA PREVISÃO DE SÉRIES TEMPORAIS

INTRODUÇÃO: A previsão de séries temporais é uma técnica crucial na ciência de dados, com aplicação em diversos setores como finanças, climatologia e energia. OBJETIVOS: O presente trabalho explora a aplicação do LightGBM (Light Gradient Boosting Machine) para prever séries temporais de consumo de energia elétrica. O LightGBM foi escolhido por sua eficiência computacional e capacidade de lidar com grandes volumes de dados, sendo particularmente adequado para a tarefa demandada nesse trabalho. MATERIAIS E MÉTODO: O desenvolvimento do projeto foi realizado em Python, versão 3.7, no ambiente Google Colaboratory, o que facilitou o processo de desenvolvimento com os recursos computacionais em nuvem. As bibliotecas pandas, LightGBM e scikit-learn foram utilizadas para a importação de dados, modelagem e processamento das séries temporais e foram fundamentais para a execução dos códigos. A biblioteca pandas foi essencial para a importação dos dados, enquanto o a biblioteca LightGBM foi utilizada para a construção e treinamento do modelo. O scikit-learn, por sua vez, forneceu ferramentas para a avaliação, análise e validação do modelo. O conjunto de dados utilizado inclui informações horárias de consumo de energia elétrica, em megawatts (MW), da PJM Interconnection LLC, cobrindo o período de janeiro de 2004 a janeiro de 2018. RESULTADOS: A performance dos modelos foi avaliada utilizando métricas como erro médio absoluto (MAE), erro quadrático médio (MSE) e erro percentual absoluto médio (MAPE), que são padrões na avaliação de modelos de previsão. Os resultados indicam que o LightGBM teve um desempenho sólido, com valores aceitáveis de MAE e RMSE, o que reforça sua capacidade de fornecer previsões precisas. Além disso, a escolha do método mais adequado dependerá do contexto de cada aplicação e das características das séries de dados em questão. CONSIDERAÇÕES FINAIS: Com isso, pode-se julgar que a seleção do modelo deve ser cuidadosa, levando em consideração as necessidades e objetivos específicos da análise. A flexibilidade do LightGBM, juntamente com sua eficiência, o tornou uma ferramenta adequada para a tarefa requisitada.

PALAVRAS-CHAVE: Previsão de séries temporais; Regressão; Modelo de previsão LightGBM.