Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio.unb.br/handle/10482/57441
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
EduardoPerezLiberato_DISSERT.pdf39 MBAdobe PDFVisualizar/Abrir
Título: A New Tool for Feature Generation in Time-Series Forecasting Problems
Outros títulos: Uma nova ferramenta para a geração de características para problemas de previsão em séries temporais
Autor(es): Liberato, Eduardo Perez
Orientador(es): Fortaleza, Eugênio Libório Feitosa
Assunto: Consumo energético
Séries temporais
Aprendizado de máquina
Data de publicação: 16-Nov-2026
Referência: LIBERATO, Eduardo Perez. Uma nova ferramenta para a geração de características para problemas de previsão em séries temporais. 2026. 127 f., il. Dissertação (Mestrado em Sistemas Mecatrônicos) — Universidade de Brasília, Brasília, 2026.
Resumo: A precisão da previsão de consumo de energia a longo prazo é fundamentalmente limitada pela representação das entradas temporais. Características tradicionais baseadas em calendários, como horas e meses discretos, são caracterizadas por descontinuidades numéricas (por exemplo, a reinicialização da hora 24 para a hora 1), que introduzem não linearidades artificiais no processo de aprendizado. Para superar essa limitação, propõe-se uma nova metodologia de engenharia de características denominada DEOS-FR (Extração Dinâmica de Sinais Oscilatórios - Rampas de Fourier). Por meio da aplicação da Transformada Rápida de Fourier (FFT), a assinatura espectral da rede elétrica é extraída e as frequências dominantes são transformadas em Rampas de Fourier contínuas e monotônicas. Essa abordagem substitui efetivamente os rígidos intervalos de tempo administrativos por componentes espectrais fluidos, permitindo o isolamento de harmônicos cíclicos das tendências seculares. A eficácia do método proposto foi rigorosamente avaliada em três topologias energéticas distintas: Brasil (hidrelétrica dominante), Suíça (hidrelétrica-trânsito) e Suécia (térmica-nuclear). Três arquiteturas de aprendizado de máquina — Random Forest, XGBoost e redes de Memória de Longo Prazo (LSTM) — foram empregadas para comparar as características espectrais com linhas de base de calendário padrão. Uma redução significativa no erro de previsão foi observada em todos os estudos de caso. Notavelmente, no contexto brasileiro, uma reduçãorelativa de mais de 30% no Erro Percentual Absoluto Médio (MAPE) foi alcançada utilizando a arquitetura XGBoost. Além disso, demonstrou-se que a inclusão de uma "Rampa Secular"não reinicializável permitiu que modelos baseados em árvores extrapolassem com sucesso o crescimento econômico de longo prazo e as variações sazonais, uma capacidade anteriormente ausente em configurações de regressão padrão. Conclui-se que a codificação do tempo como oscilações físicas contínuas proporciona um viés indutivo superior para a modelagem preditiva em comparação com a indexação discreta tradicional.
Abstract: The accuracy of long-term energy consumption forecasting is fundamentally constrained by the representation of temporal inputs and it is a challenge in Engineering, combining fields of Statistics and Information Technology. Traditional calendar-based features, such as discrete hours and months, are characterized by numerical discontinuities (e.g., the reset from weekday 7 to 1) which introduce artificial non-linearities into the learning process. To address this limitation, a novel input extractor and generator engineering tool named DEOS FR (Dynamic Equivalent Oscillator Selector with Fourier Ramps) is proposed. Through the application of the Fourier Transform, the spectral fingerprint of the electrical grid is extracted, and dominant frequencies, or cyclic periods, are transformed into continuous, monotonic Fourier Ramps. This approach effectively replaces rigid administrative time-steps with fluid spectral components, allowing for the isolation of cyclical harmonics from secular trends. The efficacy of the proposed method was evaluated across three distinct energy consumption topologies: Brazil, Switzerland, and Sweden. Three machine learning architec tures—Random Forest, XGBoost, and Long Short-Term Memory networks—were employed to benchmark the spectral features against standard calendar baselines. A significant re duction in prediction error was observed across all case studies. Notably, in the Brazilian environment, a relative reduction of over 40% was achieved using the XGBoost model with DEOS-FR. It is concluded that the encoding of time as continuous physical oscillations provides a superior inductive bias for predictive modelling compared to traditional discrete indexing.
Unidade Acadêmica: Faculdade de Tecnologia (FT)
Departamento de Engenharia Mecânica (FT ENM)
Informações adicionais: Dissertação (mestrado) — Universidade de Brasília, Departamento de Engenharia Mecânica, 2026.
Programa de pós-graduação: Programa de Pós-Graduação em Sistemas Mecatrônicos
Licença: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Aparece nas coleções:Teses, dissertações e produtos pós-doutorado

Mostrar registro completo do item Visualizar estatísticas



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.