Análise Comparativa de Modelos LSTM e GRU Para Previsão da Velocidade do Vento / Comparative Analysis of LSTM and GRU Models for Wind Speed Prediction
Resumo
Este trabalho tem como objetivo comparar o desempenho de previsão dos modelos LSTM (Long Short Term Memory) e GRU (Gated Recurrent Units). Para realizar essa comparação, utilizou-se uma base de dados de velocidade máxima do vento, obtida do Instituto Nacional de Meteorologia (INMET). Essa base apresenta uma série histórica mensal de velocidade máxima do vento, da estação meteorológica de Palmeira dos Índios, no período entre 2008 e 2020. Os modelos de previsão LSTM e GRU foram implementados em Python, utilizando a biblioteca Pytorch. Resultados obtidos dos dois modelos foram comparados por meio das métricas RMSE (Root Mean Squared Error), MAPE (Mean Absolute Percent Error) e MAE (Mean Absolute Error). Verificou-se, para um horizonte de curto prazo (6 meses), que a rede neural LSTM apresentou o melhor desempenho.
Palavras-chave: Redes Neurais. Séries Temporais. Pytorch. Python.
ABSTRACT
This work aims to compare the prediction performance of the LSTM (Long Short Term Memory) and GRU (Gated Recurrent Units) models. To carry out this comparison, a database of maximum wind speed, obtained from the National Institute of Meteorology (INMET), was used. This database presents a monthly historical series of maximum wind speed, from the Palmeira dos Índios meteorological station, in the period between 2008 and 2020. The LSTM and GRU forecast models were implemented in Python using the Pytorch library. Results obtained from the two models were compared using the metrics RMSE (Root Mean Squared Error), MAPE (Mean Absolute Percent Error) and MAE (Mean Absolute Error). It was verified, for a short-term horizon (6 months), that the LSTM neural network presented the best performance.
Keywords: Neural Networks. Time Series. Pytorch. Python.
Referências
ANTONIOLLI, E. A. Previsão do consumo de energia elétrica em um frigorifico: um estudo de caso utilizando regressão linear, redes neurais e máquinas de vetores de suporte. Dissertação de Mestrado. Universidade Tecnológica Federal do Paraná.
BASTIANI, M.; SANTOS, J. A. A.; SCHMIDT, C. A P.; SEPULVEDA, G. P. L. Application of data mining algorithms in the management of the broiler production. Geintec, v. 8, 2018.
CAMELO, H. N.; LUCIO, P. S.; JUNIOR, J. B. V.; CARVALHO, P. C. M. Métodos de previsão de séries temporais e modelagem híbrida ambos aplicados em médias mensais da velocidade do vento para regiões do nordeste do Brasil. Revista Brasileira de Metereologia. v. 32, 2017.
CANKURT, S.;SUBASI, A. Comparasion of linear regression and neural network models forecasting tourist arrivals to turkey. Eurasian Journal of Science & Engineering, 2015.
CHANDRAPRABHA; DINESH, C.; IBRAHIM, A. M.; SARAVNAN, G. LSTM model based Wind speed forecasting. International Journal of Future Generation Communication amd Networking, v. 13, 2020.
CUNHA, M. M. Previsão de séries temporais por meio de métodos estatísticos e neurais: aplicação a uma indústria de bebidas. Trabalho de Conclusão de Curso. Universidade Tecnológica Federal do Paraná, Medianeira, 2019.
GIL, A. C. Como Elaborar Projetos de Pesquisa. São Paulo: Atlas, 2010.
GRAVES, A.; JAITLY, N.; MOHAMEDA. R. Hybrid speech recognition with deep bidirectional lstm. In: Proceedings of the Automatic speech recognition and understanding, 2013.
INMET. Estação: Palmeira dos Índios A327. Disponível em: . Acesso em: 20 mai. 2022.
JIA, P.; LIU, H.; WANG, P. Research on a Mine Gas Concentration Forecasting Model Based on a GRU Network. IEEE Acess, 2020.
JÚNIOR, G. N. A.; QUEIROA, M. G. Caracterização da direção predominante , velocidade máxima e média do vento do município de Petrolina-PE. Pensar acadêmico, v. 17, 2019.
LIM, J. Y.; KIM, S.; KIM, H. Long short-term memory (LSTM) based Wind speed prediction during typhoon for bridge traffic control. Journal Wind Engineering & Industral Aerodynamics, 2022.
LISKA, G. R.; BORTOLINI, J.; SÁFADI, T.; BEIJO, L. A. Estimativa de velocidade máxima do vento em Piracicaba-SP via séries temporais e teoria de valores extremos. Rev. Bras. Biom., v. 31, 2013.
MALETZKE, A. G. Uma metodologia para extração de conhecimento em séries temporais por meio de identificação de motifs e da extração de características. 2009. Disponível em: . Acesso em: 20 mai. 2023.
OLIVEIRA, E.; SANTOS J. A. A. Um estudo comparativo da aplicação de redes neurais artificiais na previsão de geração eólica. Revista Cereus, v.15, 2023.
PASSOS, B. T. Long short term: redes neurais artificiais que são capazes de ler, ouvir e ler. 2021, Disponível em: < https://ateliware.com/blog/long-short-term-memory>. Acesso em: 11 mar. 2022.
PEREIRA, L. T.; PERCEUS, M.; PEREIRA, E. T. Modelagem matemática e previsão de velocidade do vento em Palmeira dos Índios/AL com a utilização dos modelos Box & Jenkins. Revista de Extensão da UNEAL, v. 2, 2017.
PINHEIRO, T. C.; SANTOS, J. A. A.; PASA, L. A. Gestão da produção de frangos de corte por meio de redes neurais artificiais. Revista Holos, vol. 2, 2020.
PINTO, B. R. Análise comparativa da eficiência de três modelos de previsão de séries temporais do software WEKA. 2023. Disponível em: < https://repositorio.utfpr.edu.br/jspui/bitstream/1/32763/1/analisecomparativaeficienciaprevisao.pdf>. Acesso em: 20 jan. 2024.
NELSON, M. Q.; PEREIRA, A C. M.; OLIVEIRA, R. A. Stock market’s price prediction with LSTM neural networks. In: International Joint Conference of Neural Networks (IJCNN). Proceedings [...]. Anchorage: IJCNN, 2017.
SANTOS, J. A. A.; CHAUCOSKI, Y. Previsão do Consumo de Energia Elétrica na Região Sudeste: Um Estudo de Caso Usando SARIMA e LSTM. Revista Cereus, v. 4, 2020.
SANTOS, J. A. A.; SPANCERSKI, J. S. Aplicação de redes neurais recorrentes na previsão de geração eólica. Revista Cereus, v.13, 2021.
SEN, M.; OZCAN, M. Maximum wind speed forecasting using historical data and artificial neural networks modeling. International Journal of Energy Applications and Technologies, v. 8, 2021.
SILVA, R. N.; FANTINI, D. G.; MENDES, R. C. F.; JUNIOR A. C. P. B. Previsão da velocidade do vento com série temporal multivariada usando rede neural recorrente. In: Congresso Brasileiro de Energia Solar, Anais… Florianópolis: CEBENS, 2022.
SPANCERSKI, J.; SANTOS, J. A. A. Previsão da produtividade de arroz: uma aplicação de redes neurais recorrentes LSTM. Revista Cereus, v.13, 2021.
XU, A.; YIXIAN, W.; YUNLONG, C.; LEI, G. Short-term wind speed predction based on GRU. In: 2019 IEEE Sustainable Power and Energy Conference. Anais… Beijing: ISPEC, 2019.
DOI: http://dx.doi.org/10.12819/2024.21.5.7
Apontamentos
- Não há apontamentos.
Este obra está licenciado com uma Licença Creative Commons Atribuição-NãoComercial-SemDerivações 4.0 Internacional.
Atribuição (BY): Os licenciados têm o direito de copiar, distribuir, exibir e executar a obra e fazer trabalhos derivados dela, conquanto que deem créditos devidos ao autor ou licenciador, na maneira especificada por estes.
Não Comercial (NC): Os licenciados podem copiar, distribuir, exibir e executar a obra e fazer trabalhos derivados dela, desde que sejam para fins não-comerciais
Sem Derivações (ND): Os licenciados podem copiar, distribuir, exibir e executar apenas cópias exatas da obra, não podendo criar derivações da mesma.
ISSN 1806-6356 (Impresso) e 2317-2983 (Eletrônico)