Dissertação
Generalized Additive Model and Artificial Neural Networks for Water Demand EVALUATED
A crescente instabilidade dos padrões climáticos põe em causa a disponibilidade de água potável, tornando-se cada vez mais importante a realização de uma gestão mais eficiente dos recursos hídricos actuais e futuros. O Projecto WISDom - Sistema Inteligente de Dados de Água, tem como objectivo o desenvolvimento de algoritmos e modelos que permitam extrair informação relevante dos dados recolhidos, apoiando Entidades Gestoras de Água na tomada de decisões. No âmbito deste projecto, o presente estudo tem como objectivos caracterizar, modelar e prever o caudal à entrada de Zonas de Monitorização e Controlo (ZMC). Descrevemos e comparamos vários modelos para prever a procura de água, nomeadamente, consideramos os modelos integrados mistos autoregressivos e médias móveis multiplicativos (SARIMA), os modelos aditivos generalizados e redes neurais artificiais (RNA). Os modelos são avaliados com base no Erro Absoluto Médio (MAE - Mean Absolute Error) e no Erro Escalado Absoluto Médio (MASE - Mean Absolute Scaled Error). Os resultados mostram que as RNA conseguem superar os outros métodos considerados. Demonstramos que ao lidar com dados de caudal, as RNA são capazes de ajustar bem os dados e fornecer boas previsões sem dependerem da inclusão de variáveis climatéricas no modelo. Adicionalmente, é feita uma análise exploratória de dados de facturação de água provenientes de uma região do Sul de Portugal. Esta análise tem como objectivo o melhoramento da gestão de recursos assim como o estudo do impacto do envelhecimento do parque de contadores na qualidade das leituras.
dezembro 13, 2019, 17:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
