|
Abstract:
|
A modelagem de séries temporais constitui um dos principais desafios da análise de dados, uma vez que envolve a identificação de padrões dinâmicos ao longo do tempo, como tendências, sazonalidades e ciclos. Com o avanço das técnicas de aprendizado profundo, redes neurais e modelos pré-treinados, baseados em arquiteturas como Transformers, passaram a oferecer novas possibilidades para esse tipo de problema. Nesse contexto, o projeto teve como objetivo desenvolver e avaliar modelos multivariados para previsão de séries temporais utilizando redes neurais e modelos pré-treinados. Inicialmente, foi realizada uma revisão da literatura sobre previsão de séries temporais multivariadas com redes pré-treinadas, buscando identificar os principais modelos, estratégias e aplicações existentes. Em seguida, foram selecionados conjuntos de dados públicos de relevância social e econômica para Santa Catarina e o Brasil, os quais foram explorados por meio de técnicas estatísticas, visando avaliar suas características e adequação ao estudo. Na sequência, foram implementadas arquiteturas de modelos de previsão e aplicadas aos conjuntos de dados selecionados. Foram comparadas abordagens univariadas, multivariadas e com variáveis exógenas, além de estratégias envolvendo a utilização de dados sintéticos. Os resultados mostraram que modelos clássicos, como o SARIMA, apresentaram melhor desempenho em séries com menor quantidade de dados, enquanto arquiteturas como N-BEATS e N-HiTS se destacaram em conjuntos de dados maiores. O uso de covariáveis reduziu significativamente os erros de previsão em alguns cenários, evidenciando a contribuição de informações econômicas e ambientais para o desempenho preditivo. Os dados sintéticos, por sua vez, apresentaram benefícios em situações específicas, especialmente para os modelos DUET e D-Linear. De modo geral, os resultados demonstram o potencial da combinação de covariáveis, modelos pré-treinados e técnicas de geração de dados sintéticos para melhorar a precisão das previsões de séries temporais. Como trabalhos futuros, sugere-se expandir os experimentos para séries temporais de outros domínios e com maior volume de dados, permitindo avaliar a capacidade de generalização dos modelos em diferentes cenários e horizontes de previsão, bem como analisar o impacto do uso de variáveis multimodais, como informações textuais e climáticas, conforme as tendências recentes da literatura. |
