Plataforma de previsão do consumo elétrico para edifícios inteligentes

Dissertação para obtenção do Grau de Mestre em Engenharia Electrotécnica e de Computadores

Modelos de previsão de preços de commodities

O principal objectivo deste trabalho assenta em desenvolver modelos de previsão de preços de commodities para assim comparar a capacidade preditiva da simulação de Monte Carlo com a das redes neuronais. A simulação de Monte Carlo é principalmente utilizada para avaliar as opções, já as redes neuronais são utilizadas para fazer previsões, classificações, clustering ou aproximação de funções. Os diversos modelos desenvolvidos foram aplicados na previsão do preço futuro do milho, petróleo, ouro e cobre. Sendo que os horizontes temporais testados neste trabalho foram 1 dia, 5 dias, 20 dias e 60 dias. Através da análise do erro absoluto médio percentual (MAPE) concluiu-se que no geral o modelo individual que apresentou um melhor desempenho preditivo foram as redes neuronais. Contudo, nas previsões a 1 e a 5 dias os resultados obtidos foram semelhantes para ambos os modelos. Para se tentar melhorar os resultados obtidos pelos modelos individuais foram aplicadas algumas técnicas de combinação de modelos. A combinação de modelos demonstrou no geral capacidade para melhorar os resultados dos modelos individuais, porém apenas para o horizonte a 60 dias é que os resultados melhoraram significativamente.

Ocupação humana no estabelecimento de fluxos energéticos em edifícios

Nos últimos tempos, a preocupação ambiental, passou a ser um tema recorrente na sociedade. A consciência coletiva da limitação do planeta em recursos naturais tem mostrado a necessidade de alterar os comportamentos no sentido de reduzir desperdícios, e conseguir objetivos do dia-a-dia de forma mais eficiente e menos penalizadora do já frágil equilíbrio ecológico. Os consumos energéticos, e especificamente os consumos em edifícios, contribuem de forma significativa para o desequilíbrio ambiental pelo que, cada vez mais, se assiste a um aumento da preocupação com a eficiência energética em edifícios e a consciência dos benefícios que daí podem resultar. A eficiência energética está intimamente relacionada com o não desperdício de energia. Para que não haja desperdício de energia é necessário saber onde essa energia é consumida bem como os fatores que influenciam o consumo. Há já algum tempo que se fazem estudos cujo principal objetivo é prever o consumo de energia num edifício, através da análise de um conjunto de variáveis, normalmente meteorológicas. Mais recentemente começam a surgir novos estudos nesta área, que consideram outro tipo de variáveis, nomeadamente variáveis relacionadas com o comportamento humano, que devidamente tratadas podem modelizar esse mesmo comportamento. Conseguir prever o consumo de um edifício de uma forma mais rigorosa tendo em consideração, não só fatores construtivos ou meteorológicos, mas também fatores resultantes de comportamentos das pessoas, será uma ferramenta preciosa em termos de projeto ou de exploração dos edifícios. Até que ponto a variável humana é importante na previsão de consumos energéticos? É a esta pergunta que a presente dissertação tenta responder. Para tal apresenta um método de estudo, que utiliza redes neuronais, dividido em etapas. Primeiramente é necessário conhecer as variáveis existentes num edifício de estudo, selecionar quais as que são pertinentes na previsão dos consumos e porquê. Em seguida é preciso prever a energia consumida através da análise das variáveis.

Métodos de aprendizagem automática: um estudo baseado na avaliação e previsão de clientes bancários

Data Mining surge, hoje em dia, como uma ferramenta importante e crucial para o sucesso de um negócio. O considerável volume de dados que atualmente se encontra disponível, por si só, não traz valor acrescentado. No entanto, as ferramentas de Data Mining, capazes de transformar dados e mais dados em conhecimento, vêm colmatar esta lacuna, constituindo, assim, um trunfo que ninguém quer perder. O presente trabalho foca-se na utilização das técnicas de Data Mining no âmbito da atividade bancária, mais concretamente na sua atividade de telemarketing. Neste trabalho são aplicados catorze algoritmos a uma base de dados proveniente do call center de um banco português, resultante de uma campanha para a angariação de clientes para depósitos a prazo com taxas de juro favoráveis. Os catorze algoritmos aplicados no caso prático deste projeto podem ser agrupados em sete grupos: Árvores de Decisão, Redes Neuronais, Support Vector Machine, Voted Perceptron, métodos Ensemble, aprendizagem Bayesiana e Regressões. De forma a beneficiar, ainda mais, do que a área de Data Mining tem para oferecer, este trabalho incide ainda sobre o redimensionamento da base de dados em questão, através da aplicação de duas estratégias de seleção de atributos: Best First e Genetic Search. Um dos objetivos deste trabalho prende-se com a comparação dos resultados obtidos com os resultados presentes no estudo dos autores Sérgio Moro, Raul Laureano e Paulo Cortez (Sérgio Moro, Laureano, & Cortez, 2011). Adicionalmente, pretende-se identificar as variáveis mais relevantes aquando da identificação do potencial cliente deste produto financeiro. Como principais conclusões, depreende-se que os resultados obtidos são comparáveis com os resultados publicados pelos autores mencionados, sendo os mesmos de qualidade e consistentes. O algoritmo Bagging é o que apresenta melhores resultados e a variável referente à duração da chamada telefónica é a que mais influencia o sucesso de campanhas similares.

Previsão da estrutura temporal da taxa de juro na zona Euro : aproximação paramétrica e por métodos de aprendizagem automática

A estrutura temporal das taxas de juro, também conhecida por yield curve ou curva de rendimentos define a relação entre as taxas de juros e o prazo de vencimento (ou maturidades) dos investimentos feitos. Assim, o desenvolvimento de modelos que possibilitem a obtenção de previsões precisas sobre a estrutura temporal das taxas de juro e que permitam estudar a dinâmica da evolução das taxas de juro é de crucial importância em diversas áreas de financiamento. Neste estudo investigou-se a performance de diferentes métodos de previsão para obter a estrutura temporal das taxas de juro da Zona Euro, considerando o período entre 2009 e 2015. Em termos mais específicos, foi analisada a capacidade preditiva do modelo de Nelson-Siegel & Svensson assumindo que os parâmetros resultantes da estimação da especificação paramétrica podem ser modelizados através de métodos de séries temporais univariados (modelos ARIMA, Random walk) e multivariados (modelos VAR) e Redes Neuronais Artificiais (RNA) individuais e conjuntas. Os resultados deste estudo mostram que (i) as RNA com a previsão dos parâmetros em simultâneo exibem os valores de erro mais baixos para as maturidades de curto e médio prazo (3 meses a 5 anos); (ii) As RNAs individuais são melhores para prever as taxas de juro nas maturidades compreendidas entre os 7 e os 10 anos, e que (iii) para as maturidades de longo e muito longo prazo (15 e 30 anos respetivamente) deverá ser escolhido o modelo VAR(1). Estes resultados são robustos e consistentes para todos os horizontes de previsão analisados (1,2 e 3 meses). Contudo, no período analisado nenhum dos modelos testados apresenta valores de erro inferiores aos obtidos com o modelo Random Walk.