Rede Neural com Atraso de Tempo Aplicada à Previsão Mensal de Vazões na Bacia Hidrográfica do Rio Piancó

Transcrição

1 Rede Neural com Atraso de Tempo Aplicada à Previsão Mensal de Vazões na Bacia Hidrográfica do Rio Piancó Camilo A. S. de Farias Celso A. G. Santos Alcigeimes B. Celeste

2 Estrutura da Apresentação Motivação Objetivo Revisão: Redes Neurais Artificiais (RNA) Estudo de Caso Rede Neural com Atraso de Tempo (RNAT) Aplicação e Resultados Conclusões

3 Motivação Várias cidades ao redor do mundo têm sofrido com a escassez de água; Os efeitos das secas podem ser mitigados através de modelos para operação sustentável dos sistemas hídricos existentes; Entretanto, a implementação de tais modelos geralmente requer previsões confiáveis de vazões.

4 Objetivo Desenvolver e aplicar modelos de Rede Neural com Atraso de Tempo (RNAT) para previsão mensal de vazões.

5 Redes Neurais Artificiais MODELO DE UM NEURÔNIO

6 Redes Neurais Artificiais APRENDIZAGEM SUPERVISIONADA

7 Estudo de Caso Bacia Hidrográfica do Rio Piancó Região sudoeste da Paraíba; Área = 4170 km² Precipitação em torno de 750 mm; Temperatura de aprox. 26 ºC; Período chuvoso (janeiro-junho); Período seco (julho-dezembro).

8 Rede Neural com Atraso de Tempo A RNAT possui duas componentes: Memória Responsável por guardar a informação passada; >>> representa a informação temporal Associador É uma RNA do tipo alimentada adiante com múltiplas camadas que relaciona a memória com a saída desejada. >>> considera a não-linearidade modelos apropriados para a modelagem de séries temporais

9 Modelo RNAT#1 M(t) identifica o mês a ser previsto (janeiro = 1; fevereiro = 2;...; dezembro = 12); ARNAT#1não tem a precipitação atual como entrada. O número de neurônios na camada oculta foram obtidos através de tentativa e erro.

10 Modelo RNAT#2 A RNAT#2 tem a precipitação atual como entrada.

11 Aplicação A metodologia foi aplicada para previsão mensal de vazões no posto fluviométrico de Piancó; Dados: Calibração (Parada: Early Stopping Method) Treinamento: atualização dos parâmetros Validação: monitoramento dos erros Teste totalmente independentes da calibração

12 Aplicação Para efeitos de comparação, a vazão mensal Q(t) também foi relacionada com as variáveis de entrada dos modelos RNAT através de regressão linear múltipla (RLM); RLM#1 RLM#2

13 Resultados Os índices de correlação (R) e viés relativo (VR) foram usados para avaliar o desempenho dos modelos; mede o grau de dependência linear entre as previsões e os valores observados de vazão mostra se o sistema de previsão de vazões possui uma tendência a subestimar ou superestimar as vazões observadas UmaprevisãoperfeitateriaR =1eVR =0; O índice NASH considera tanto os erros sistemáticos quanto os erros randômicos, indicando que o ajuste é melhor à medida que o seu valor aproxima-se de 1.

14 Resultados Tabela 1: Parâmetros calibrados dos modelos RLM#1 e RLM#2 Parâmetros α β γ δ λ θ η RLM#1-0,04 0,34-0,01 0,07-1, ,05 RLM#2 0,02 0,32-0,01 0,01 0,17 0,83-11,40 Q (t-1) P (t)

15 Resultados Figura 1: Previsões obtidas com o modelo RNAT#1 e os valores observados no posto Piancó durante o teste ( ).

16 Resultados Figura 2: Previsões obtidas com o modelo RNAT#2 e os valores observados no posto Piancó durante o teste ( ).

17 Resultados Figura 3: Previsões obtidas com o modelo RLM#1 e os valores observados no posto Piancó durante o teste ( ).

18 Resultados Figura 4: Previsões obtidas com o modelo RLM#2 e os valores observados no posto Piancó durante o teste ( ).

19 v v

20 Resultados Tabela 2: Correlação, viés relativo e NASH entre as vazões mensais calculadas e observadas Modelos Calibração Teste R VR NASH R VR NASH RNAT#1 0,86 0,00 0,74 0,79 0,02 0,62 RNAT#2 0,95 0,03 0,90 0,94 0,09 0,88 RLM#1 0,58 0,06 0,33 0,72 0,37 0,49 RLM#2 0,73 0,13 0,53 0,83 0,31 0,67 modelos RNAT superiores aos modelos RLM

21 Conclusões Foram apresentados dois modelos de Rede Neural com Atraso de Tempo (RNAT) para previsão mensal de vazões no semiárido paraibano; Os resultados apresentados mostram a eficácia dos modelos RNAT e sugerem que os mesmos são eficientes para previsão mensal de vazões.

22 Conclusões Os modelos RNAT também apresentaram resultados superiores aos apresentados pelos modelos baseados em regressão linear múltipla; O modelo RNAT#2 apresentou os melhores resultados e mostra-se bastante apropriado para previsão de vazões, desde que uma previsão acurada de precipitações esteja disponível.

23 Conclusões Os bons resultados sugerem que o desempenho deste tipo de modelo deve ser avaliado para outros horizontes de previsão e em outros locais de interesse dentro do estado, de modo que seja possível utilizá-los, num futuro próximo, num sistema para redução dos efeitos das secas.

24 Muito obrigado pela atenção!

25 Aplicação O Early Stopping Method melhora o grau de generalização das RNA, evitando o overfitting; boa generalização overfitting dos dados de calibração