Avaliação de modelos fundacionais para previsão de demanda hídrica em regime zero-shot

Abstract

A identificação antecipada de padrões de consumo contribui para um planejamento mais eficiente e para a maior confiabilidade dos sistemas de abastecimento de água, justificando a adoção de técnicas computacionais como suporte aos processos de tomada de decisão. Os modelos fundacionais baseados na arquitetura Transformer ampliaram o potencial de generalização em tarefas de previsão de séries temporais ao aprender representações a partir de dados provenientes de múltiplos domínios. Nesse contexto, este trabalho avalia os modelos Chronos e Moirai para a previsão diária de demanda hídrica utilizando dados de uma cidade litorânea do sul do Brasil, caracterizada por significativas flutuações populacionais impulsionadas pelo turismo sazonal. Os modelos são aplicados em regime de inferência zero-shot e seu desempenho é comparado com resultados estatísticos e de aprendizado de máquina (ARIMA e MLP), por meio de estratégias de janela deslizante e expansiva. Os resultados demonstram que o Chronos com covariáveis superou todas as abordagens de referência nas configurações de maior contexto histórico, sem qualquer treinamento ou ajuste fino local e, com uma fração do custo computacional exigido pelos métodos supervisionados. Esses achados evidenciam a viabilidade dos modelos fundacionais para aplicações com dados históricos limitados ou que demandam implantação rápida.