Navegando por Palavras-chave "Modelos de Predição"

Agora exibindo 1 - 1 de 1
  • Imagem de Miniatura
    Item
    Acesso aberto (Open Access)
    Séries temporais aplicadas na predição de poluentes na região de Santos - SP
    (Universidade Federal de São Paulo, 2022-08-04) Silva, Leticia Alves da [UNIFESP]; Pereira, André Luiz Vizine [UNIFESP]; http://lattes.cnpq.br/5977522212667911; Universidade Federal de São Paulo (UNIFESP)
    A aplicação de séries temporais vem sendo bastante discutida nos últimos anos, devido a ampla abrangência de sua utilização em diferentes setores, seja na indústria, no âmbito tecnológico, econômico ou social, são baseadas em um conjunto de técnicas que permitem não só estudar e modelar um comportamento geral, mas também fazer previsões de valores futuros (Guerra Rodríguez et al. (2022). Neste contexto, sabendo que a cidade de Santos, localizada no litoral do estado de São Paulo, é considerada uma das cidades mais importantes do país, principalmente devido às suas atividades no setor portuário, contemplando o maior e mais importante complexo portuário da América do Sul em seu território (Guedes et al., 2021), o presente estudo teve como objetivo predizer o comportamento de poluentes atmosféricos no município de Santos – SP, durante os períodos pré e pós pandemia a partir da análise de séries temporais, através do uso de dados disponibilizados pelo sistema QUALAR da CETESB, para cinco poluentes: o MP2.5, MP10, NO2, O3 e SO2. Os modelos foram ajustados com o uso da linguagem Python e da biblioteca auto-arima parametrizada para encontrar o melhor modelo SARIMA (Modelo Autorregressivo Integrado de Médias Móveis com Sazonalidade) para cada um dos poluentes e como forma de analisar seu desempenho, foi utilizado o Erro Percentual Absoluto Médio (MAPE) e a Raiz Quadrada do Erro Médio (RMSE) que como resultado trouxeram maiores taxas de acerto para o poluente NO2, com um percentual de 92% no cenário pré pandemia e 89% no pós pandemia. Contudo, observou-se um bom resultado obtido pelo modelo proposto para todos os poluentes, com exceção do SO2, que não foi possível identificar se sua taxa de erro em torno de 40% em ambos os cenários está diretamente relacionada à sua medição ou a fatores externos que podem ter influenciado no baixo desempenho.