Este artigo propõe uma metodologia híbrida para a previsão das séries temporais de deslocamentos relativos em um bloco da barragem da usina hidrelétrica de Itaipu, que integra os seguintes métodos numéricos: decomposição wavelet, support vector Machine e combinação linear de previsões. Todos os resultados estatísticos alcançados pela metodologia proposta foram mais acurados do que outras técnicas tradicionais (usadas aqui como benchmark), encorajando a sua adoção para tal finalidade. Deslocamentos relativos. Decomposição wavelet. Support vector regression. Combinação linear de previsões. This article proposes a hybrid methodology for forecasting relative displacements in a dam block at the Itaipu hydroelectric plant, which integrates the following numerical methods: wavelet decomposition, support vector machine and linear forecast combination. All the statistical results achieved by the proposed method are more accurate than other traditional techniques (used here as a benchmark), encouraging its adoption for this purpose. Relative displacements. Wavelet decomposition. Support vector regression. Forecasts.
RESUMOEste artigo apresenta a modelagem de séries temporais provenientes dos extensômetros EM-I-7-1 e EM-I-9-1 instalados na fundação e localizados no bloco I10 da Barragem da Usina de Itaipu. Para tanto foi utilizado o método híbrido para previsões de séries temporais chamada SARIMA Support Vector Regression Wavelet de Múltiplos Núcleos (SSVRWMN) para a projeção dos deslocamentos verticais de um bloco da barragem da usina hidrelétrica de Itaipu. A projeção dos deslocamentos verticais consiste em uma das observações mais importantes na supervisão do comportamento da estrutura da barragem. Todos os resultados estatísticos alcançados por SSVRWMN são mais acurados que outras técnicas tradicionais (usadas aqui como benchmark), encorajando a sua adoção para tal finalidade.
ABSTRACTThis paper presents the modeling of time series from extensometers EM-I-7-1 and EM-I-9-1 installed in the foundation and located in the block I10 of the Itaipu Dam by hybrid methodology for time series forecasts called SARIMA Support Vector Regression Wavelet of Multiple Kernel (SSVRWMN) for the projection of the vertical displacements of a dam block of the Itaipu hydroelectric power plant, which consist of one of the most important observations in the supervision of the behavior of the dam structure. All the statistical results achieved by SSVRWMN are more accurate than other traditional techniques (used here as benchmark), encouraging their adoption for this purpose.
O conhecimento de técnicas que permitam obter informações da tendência futura da produção é fundamental para o gestor rural. Diante disso, a finalidade desse trabalho foi realizar previsões. Para isso, foram utilizados modelos de séries temporais implementados no software livre R da produção brasileira de milho para as safras 2017/2018, 2018/2019 e 2019/2020. Foram aplicadas as metodologias ARIMA (Autoregressive Integrated Moving Average - Autorregressivo Integrado de Médias Móveis) e ETS (Error, Trend, Seasonal – Erro, Tendência, Sazonal). Ambos modelos provaram ser adequados. O modelo que apresentou os melhores resultados de previsão foi o ARIMA, cujo erro percentual médio absoluto das previsões foi menor que o apresentado no modelo ETS, quando comparado com os dados reservados para verificação da eficiência preditiva dos modelos ajustados. Os resultados demonstram a aplicabilidade dos modelos de previsão e ferramentas computacionais de fácil utilização. Tais técnicas visam contribuir no processo de tomada de decisão e planejamento por parte do gestor rural, que vê a cultura do milho, nos últimos anos, apresentar recordes de produção e ser um dos principais cultivares que contribui com a economia do Brasil.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.