Comitês de Modelos de Aprendizado de Máquina para Previsão de Demanda de Consumo de Água

Abstract

O gerenciamento eficiente dos recursos hídricos é altamente favorecido por uma previsão coerente do consumo futuro de água. Neste trabalho, foi realizado um estudo sobre a performance de diferentes modelos de aprendizado de máquina para a previsão de consumo urbano de água da cidade de Joinville. Para isso, avaliou-se o ganho de desempenho obtido por estratégias de comitês de modelos (ensembles), como bagging, boosting e stacking, em comparação a algoritmos operando individualmente, buscando mitigar a instabilidade das previsões em cenários de alta variabilidade. Os experimentos foram conduzidos utilizando dados históricos reais de consumo e validados por meio de técnicas de janela expansiva (backtesting) e métricas estatísticas de erro, como RMSE, MAE, MAPE e R2. Os resultados indicaram que as abordagens de Gradient Boosting apresentaram previsões de boa qualidade na maior parte do tempo. O modelo de Stacking, utilizando Regressão Linear, LightGBM e Random Forest como base, alcançou o melhor desempenho geral. Dessa forma, é evidente que os modelos de ensembles podem providenciar um suporte robusto à gestão inteligente de água em contexto urbano, auxiliando na otimização de operações e na resiliência do abastecimento.