• Informações do Trabalho

Titulo MULTITASK LEARNING PARA PREVISÃO DE VAZÃO Subtítulo Autor GABRIEL DIAS DE ABREU Orientador LUCIANA CONCEICAO DIAS CAMPOS Resumo A previsão da vazão em rios é fundamental para a manutenção do bem-estar social, dado que essas bacias fornecem desde recursos hídricos até energéticos e podem ainda causar graves tragédias como inundações e secas. Assim, prever a vazão de longo prazo, em estações de medição de uma bacia hidrográfica, com boa precisão, contribuem com a solução de uma miríade de problemas que afetam a sociedade e o gerenciamento de recursos. O presente trabalho propõe o modelo MultiTask-LSTM que alia o modelo recorrente de Deep Learning, LSTM, com a transferência de aprendizagem MultiTask Learning, para prever e compartilhar informações adquiridas em toda a bacia do rio. Esse método é robusto a dados faltantes e ruídos, que são problemas comuns em séries temporais de vazão, e em específico, deste problema. O MultiTask-LSTM quando aplicado nas 45 estações de medição do Rio Paraíba do Sul conseguiu superar os resultados obtidos em modelos LSTM, que obteve os melhores resultados da literatura. Os experimentos utilizam três formas diferentes de imputação de dados faltantes para confirmar a robustez do MultiTask-LSTM com ruídos, que alcançou resultados estáveis mesmo variando a forma de imputar dados faltantes. Por fim, o trabalho introduz um modelo que relaciona os dados presentes em todas as séries temporais das estações de medição da bacia, robusto a dados faltantes e ruídos, com treinamento mais rápido e melhor performance de previsão se comparado a modelos LSTM. Palavras-Chave Transferência de Aprendizagem, Deep Learning, séries temporais, previsão de Vazão