LSTM e Transformers para previsão de temperatura
um estudo de caso em Rivera, Uruguai
DOI:
https://doi.org/10.5540/03.2026.012.01.0302Palavras-chave:
Trocadores de Calor Solo-Ar, Inteligência Artificial, LSTM, Transformers, Previsão de TemperaturasResumo
A energia geotérmica superficial é uma fonte promissora de energia renovável, oferecendo soluções sustentáveis para o aquecimento e o resfriamento de edificações. Os trocadores de calor solo-ar (TCSA) exemplificam essa aplicação ao conectar sistemas de ventilação a dutos subterrâneos, reduzindo o consumo energético com climatização. No entanto, a avaliação de sua eficiência requer a análise de séries temporais das temperaturas do ar e do solo, que podem ser modeladas por técnicas matemáticas e inteligência artificial. Com os avanços da aprendizagem profunda, modelos como Long Short-Term Memory (LSTM) e Transformers têm se destacado na modelagem e previsão de dependências temporais. Este estudo investiga o comportamento das temperaturas do ar e do solo em Rivera, Uruguai, utilizando dados coletados entre julho de 2023 e abril de 2024 por um sistema de monitoramento remoto instalado na Universidad Tecnológica del Uruguay (UTEC). Vale ressaltar que o modelo LSTM se destacou nos resultados obtidos, apresentando uma Raiz do Erro Médio Quadrático (RMSE) de 0,27, o que indica alta capacidade preditiva e menor erro nas previsões.
Downloads
Referências
T. B. Brown et al. “Language models are few-shot learners”. Em: Proceedings of the 34th International Conference on Neural Information Processing Systems. NIPS ’20. Vancouver, BC, Canada: Curran Associates Inc., 2020. ISBN: 9781713829546.
L. Bryan et al. “Temporal Fusion Transformers for interpretable multi-horizon time series forecasting”. Em: Machine Learning 3 (2020), p. 27. doi: 10.1007/s40314-014-0163-6.
F. Chollet. Deep Learning with Python. Second Edition. Manning Publications, 2021. ISBN: 978-1617296864.
N. M. Foumani et al. “Improving position encoding of transformers for multivariate time series classification”. Em: Data Mining and Knowledge Discovery 38 (2024), pp. 22–48. doi: 10.1007/s10618-023-00948-2.
A. Gaddam, T. Wilkin e M. Angelova. “Modelos de detecção de anomalias para detecção de falhas de sensores e outliers na IoT - Uma pesquisa”. Em: 13ª Conferência Internacional sobre Tecnologia de Sensoriamento (ICST). 2019, pp. 1–6. doi: 10.1109/ICST46873.2019.9047684.
S. Hochreiter e J. Schmidhuber. “Long short-term memory”. Em: Neural Computation 9.8 (1997), pp. 1735–1780. doi: 10.1162/neco.1997.9.8.1735.
G. Kirchgaessner, R. Thiele e M. J. Weidmann. Introduction to Modern Time Series Analysis. Berlin, Heidelberg: Springer, 2009. ISBN: 978-3-540-49059-9.
G. N. Kouziokas. “Long Short-Term Memory (LSTM) Deep Neural Networks in Energy Appliances Prediction”. Em: Conferência Pan-Helênica sobre Eletrônica e Telecomunicações (PACET). 2019, pp. 1–5. doi: 10.1109/PACET48583.2019.8956252.
X. Li et al. “Remaining Useful Life Prediction With Partial Sensor Malfunctions Using Deep Adversarial Networks”. Em: IEEE/CAA Journal of Automatica Sinica 10.1 (2023), pp. 121–134. doi: 10.1109/JAS.2022.105935.
I. Malashin et al. “Applications of long short-term memory (LSTM) networks in polymeric sciences: A review”. Em: Polymers 16.18 (2024). doi: 10.3390/polym16182607.
M. F. Rabbi et al. “Energy security and energy transition to achieve carbon neutrality”. Em: Energies 15.21 (2022). doi: 10.3390/en15218126.
A. Vaswani et al. “Attention is all you need.” Em: Adv. Neural Inf 30 (2017), pp. 6000–6010.
P. J. Werbos. “Backpropagation through time: What it does and how to do it”. Em: Proceedings of the IEEE 78.10 (1990), pp. 1550–1560. doi: 10.1109/5.58337.
H. Zeng, N. Diao e Z. Fang. “Efficiency of vertical geothermal heat exchangers in the ground source heat pump system”. Em: Journal of Thermal Science 12.1 (2003), pp. 77–81. doi: 10.1007/s11630-003-0012-1.
