|
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. |
