00 CAMPUS ARISTÓTELES CALAZANS SIMÕES (CAMPUS A. C. SIMÕES) IC - INSTITUTO DE COMPUTAÇÃO Dissertações e Teses defendidas na UFAL - IC
Use este identificador para citar ou linkar para este item: http://www.repositorio.ufal.br/jspui/handle/123456789/10808
Tipo: Dissertação
Título: Avaliação de técnicas de inteligência artificial para predição e classificação de séries temporais
Título(s) alternativo(s): Evaluation of Artificial Intelligence Techniques for Time Series Prediction and Classification
Autor(es): Farias, Daniel Gomes de Mello
Primeiro Orientador: Aquino, André Luiz Lins de
metadata.dc.contributor.referee1: Coelho, Jorge Artur Peçanha de Miranda
metadata.dc.contributor.referee2: Queiroz, Fabiane da Silva
Resumo: Este trabalho tem por objetivo avaliar o impacto das técnicas de aprendizagem profunda (Long Short Term Memory e Convolutional Neural Network) para predição e classificação de séries temporais, em duas aplicações específicas. Uma para classificar o sinal de eletroencefalograma, e outro, na predição da radiação solar. Foram utilizadas várias ferramentas nas diversas etapas de pré processamento, extração de características (transformada de Fourier, Wavelet, principais componentes de análise, entropias) e classificação/predição (convolutional neural network e long short term memory). Os modelos desenvolvidos foram comparados com a literatura utilizando métricas como: acurácia e root mean square error (RMSE), obtendo resultados significativos embora não supere o estado da arte. Na predição da radiação o RMSE foi de 78W/m2 enquanto que para a classificação do sinal cerebral, a acurácia do modelo chegou até 86%.
Abstract: This work aims to apply deep learning techniques (Long Short Term Memory and Convolutional Neural Network) in time series. The study was carried out in two databases. One to classify the electroencephalogram signal, and another, to predict solar radiation. Various tools were used in the different stages of pre-processing, feature extraction and classification / prediction. The developed models were compared with the literature using metrics such as: accuracy and root mean square error (RMSE), obtaining significant results. In the radiation prediction the RMSE was 78W/m2 while for the classification of the cerebral signal, the accuracy of the model reached 86%, which represents great advances in several areas of health, engineering and meteorology.
Palavras-chave: Aprendizagem profunda
Inteligência artificial
Análise de séries temporais
Sinais cerebrais
Radiação solar
Artificial intelligence
Brain signal
Deep learning
Solar radiation
CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Idioma: por
País: Brasil
Editor: Universidade Federal de Alagoas
Sigla da Instituição: UFAL
metadata.dc.publisher.program: Programa de Pós-Graduação em Modelagem Computacional de Conhecimento
Citação: FARIAS, Daniel Gomes de Mello. Avaliação de técnicas de inteligência artificial para predição e classificação de séries temporais. 2023. 79 f. Dissertação (Mestrado em Modelagem Computacional de Conhecimento) – Programa de Pós-Graduação em Modelagem Computacional de Conhecimento, Instituto de Computação, Universidade Federal de Alagoas, Maceió, 2020.
Tipo de Acesso: Acesso Embargado
URI: http://www.repositorio.ufal.br/jspui/handle/123456789/10808
Data do documento: 17-jul-2020
Aparece nas coleções:Dissertações e Teses defendidas na UFAL - IC

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Avaliação de técnicas de inteligência artificial para predição e classificação de séries temporais.pdf4.93 MBAdobe PDFVisualizar/Abrir
Mostrar registro completo do item Visualizar estatísticas


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.