PREVISÃO DE VAZÃO A LONGO

PRAZO NA BACIA DO RIO

MUNDAÚ (AL/PE)
PROGNÓSTICO DE SÉRIE TEMPORAL DE VAZÃO DO RIO
MUNDAÚ

MELHORES RESULTADOS

»PROGNÓSTICO DE MAIOR CONFIABILIDADE

»MINIMIZAR DO ERROS DE PREVISÃO E AUMENTAR

A CONFIABILIDADE SOBRE OS RESULTADOS

»MODELOS INTELIGÊNTES

OBJETIVO DA PESQUISA

»AVALIAR UM MODELO HÍDRIDO QUE

RECENTEMENTE NA LITERATURA TEM-SE
MOSTRADO EFICIETE NO PROGNÓSTICO.
 Rio Mundaú BACIA DO RIO MUNDAÚ ENTRE OS ESTADOS DE
PERNAMBUCO E ALAGOAS.

» A BACIA DO RIO MUNDAÚ, EM TODA SUA EXTENSÃO,

TEM UMA ÁREA DE 4.090,39 Km². ESTÁ LOCALIZADA
ENTRE AS LATITUDES DE 9,4° A 8,4° S E LONGITUDES
35,4° A 36,2° W.

»IMPORTÂNCIA DO RIO
 Séries Temporais 700
600
» OBSERVAÇÕES DISCRETAS ORDENADAS NO TEMPO

1000 passageiros
500
400
300
200
100
0

17
25
33
41
49
57
65
73
81
89
97
1
9

105
113
121
129
137
TOTAL MENSAL DE PASSAGEIROS AÉREOS
UMIDADE DIÁRIA EM SÃO PAULO DE INTERNACIONAIS, JAN/49 A DEZ/60.
23/07/1997 A 21/06/1997.
250
200
150
100
50
0

Sep-84

Sep-86

Sep-88

Sep-90

Sep-92

Sep-94

Sep-96
jan/84

May-85
jan/86

jan/88

jan/90

jan/92

jan/94

jan/96
May-87

May-89

May-91

May-93

May-95
TEMPERATURA MENSAL EM UBATUBA, DE
JANEIRO DE 1976 A JUNHO DE 1985. VENDAS FÍSICAS NA REGIÃO METROPOLITANA DE SP,
JAN/84 A OUT/96.
 Pré-tratamento da série temporal
»CARACTERÍSTICAS ESPECÍFICAS

»CARACTERÍSTICAS ESTATÍSTICAS

Prognóstico de variáveis hidrológicas

» MODELOS EMPIRICOS E DETERMINÍSTICOS

»ESTATÍSTICA E INELIGÊNCIA ARTIFICIAL

 » COLOCAR O SINAL NO DOMINIO DA FREQUÊNCIA
FOURIER
»IMPORTÂNCIA DA ANALISE NO DOMINIO DA FREQUÊNCIA

f ( w)  

f (t )e iwt dt
TRANSFORMADA
FOURIER

Frequência
Tempo
janela
TRANSFORMADA
JANELADA
F
r
FOURIER e
q

Tempo
Tempo
 » WAVELET-MÃE:

1 t b
TRANSFORMADA DISCRETA
 (t )   
a a 
 a   Fator  escala
W ( a, b)   x(t ) (t )dt

b  Fator  Posição

Exemplo : X (t )  cos(0.4t )  4sen(18t )

 SINAL

DECOMPOSIÇÃO

FENÔMENOS NATURAIS TEM DETALHES / APROXIMAÇÕES

COMBINAÇÕES DE FREQUÊNCIA
CARACTERÍSTICAS
REDE NEURAL ARTIFICIAL Funções de
transferência do
neurônio, são
exemplos:
•log-sigmoid
1
 ( n) 
1  e n
Função de soma •Tan-sigmoid
n   wi xi  b
1
i  ( n)  1
1  e 2n
X1 •Linear
w1
w2 
X2  (n)  n y
w3  (n ) Entre outras.
X3
Variável de
b saída do
Variáveis de
Pesos referentes neurônio
entrada doa cada variável
neurônio de entrada
 REDE NEURAL ARTIFICIAL
PROCESSO DE APRENDIZAGEM CAMADA OCULTA
»ENTRADAS/SAÍDA
CAMADA DE ENTRADA
CAMADA DE SAÍDA
»TREINAMENTO

 (n)  n

1
 ( n) 
1  ( n)  1
1  e n 1  e 2n
»TESTE

FUNÇÕES DE TRANSFERÊNCIA
valor Séries temporais
alvo

janela

Saída tempo
Entradas Desejada = Definição da
da rede = valor da série janela de entrada
n valores k passos à
passados frente Definição da
janela de saída
Ex: valor um
passo à frente
Ex: 5 valores
passados

12
 Séries temporais
alvo

janela

Entradas
da rede
Ajuste dos pesos
a partir do erro
Erro= alvo - previsto

Saída da rede:
Valor previsto
um passo à frente
 Séries temporais
alvo

janela

Entradas
da rede
Ajuste dos pesos
a partir do erro
Erro= alvo - previsto

Saída da rede:
Valor previsto
um passo à frente
 Séries temporais
alvo

janela

Entradas
da rede

Ajuste dos pesos

a partir do erro
Erro=alvo - previsto
Saída da rede:
Valor previsto
um passo à frente
 Séries temporais

janela
alvo

Entradas
da rede

Ajuste dos pesos

a partir do erro
Erro=alvo - previsto
Saída da rede:
Valor previsto
um passo à frente
Séries temporais
alvo
janela

Entradas
da rede

Ajuste dos pesos

a partir do erro
Erro=alvo - previsto
Saída da rede:
Valor previsto
um passo à frente
Séries temporais previsto
janela

Saída da rede:
Valor previsto
 Séries temporais
janela previsto

Entradas da rede:
inclui valores
previstos pela Rede

Saída da rede:
Valor previsto
 Séries temporais previsto

janela

Entradas da rede:
inclui valores
previstos pela Rede

»DESTA FORMA É FEITA O PROGNÓSTICO DE Saída da rede:

SÉRIES TEMPORAIS
Valor previsto
 LEVANTAMENTO DE DADOS
»OS DADOS DA SÉRIE TEMPORAL DE VAZÃO
FORAM DISPONIBILIZADOS PELO
ANA(AGÊNCIA NACIONAL DE ÁGUA).

»DADOS DIARIO COM INICIO EM 1994, E SE

ESTENDEM POR 10ANOS.

CONTRUÇÃO DE MODELOS

»FOI DESENVOLVIDO 1 MODELOS BASEADO EM

LITERATURAS JÁ DESENVOLVIDA

»DEFASAGEM DE 5 A 7 DIAS PARA O

PROGNÓSTICO DE 1 DIA A FRENTE.

»TAN-SIGMOID(FUNÇÃO DE PERTINÊNCA).
»TODA A METODOLOGIA FOI DESENVOLVIDA
EM AMBIENTE DE PROGRAMAÇÃO MATLAB
1
 ( n)  1
1  e 2n
MODELO
DESENVOLVIDO
 MATRIZ DOS RESULTADOS » RESULTADOS PARA AS DIFERENTES
DEFASAGEM
»BASEADO NO MSE (ERRO QUADRADO MÉDIO)
n Defasagem Regressão MSE
1
MSE   i si
n i 1
( x  x ) 2 t-1,t-2,...,t-5
t-1,t-2,...,t-6
0,99533
0,99735
20,53
12,67
t-1,t-2,...,t-7 0,99757 10,59
»“Xi” SINAL REAL
»“Xsi” SINAL SIMULADO t-1,t-2,...,t-8 0,99727 16,13

»“R” REGRESSÃO ENTRE OS DADOS SIMULADOS E OS REAIS

RESULTADOS PARA AS SUB-SÉRIES SIMULADAS DA DECOMPOSIÇÃO PARA A DEFASAGEM 7

Detalhes Aproximação
Sub-série D1 D2 D3 D4 D5 D6 D7 D8 A8
MSE 3,511 5,728 0,603 0,26 0,025 0,007 0,0022 0,068 0,006

Regressão 0,98528 0,99359 0,99913 0,99994 0,99997 0,99998 0,99995 0,99999 0,99998
 GRÁFICO

GRÁFICOS DOS RESULTADOS DA SIMULAÇÃO PARA A DEFASAGEM 7 REGRESSÃO TOTAL

 MODELO HÍBRIDO

»O MODELO HÍBRIDO DE PROGNÓSTICO MOSTROU-SE EFICIENTE

»ESSE MODELO PODE SER USADO PARA UM PRÓGNOSTICO DE ALTA

EFICIÊNCIA, E DEVE SER CONSIDERADO EM CASO DO MESMO RELATAR
EVENTOS EXTREMO
[1]Silva D. F., Sousa F. A. S. Kayano M. T. Escalas Temporais da variabilidade
pluviométrica na bacia hidrográfica do rio mundaú. Revista Brasileira de
Meteorologia, v.25, n.2, 324-332, 2010.

[2]KIM , T. W. ; VALDÉS, J. B. Nonlinear model for drought forecasting based on a

conjunction of wavelet transforms and neural networks. Journal of Hydrologic
Engineering, v. 8, no.6, p. 319–328, 2003.

[3]Chen X, Ba Y, Ma L, Cai X, Yin Y, Wang K at al., 2008. Characterization of microRNAs

in serum: a novel class of biomarkers for diagnosis of cancer and other diseases. Cell
Res. 2008 Oct;18

[4]YU, S. ; YANG, J. ; LIU, G. A novel discussion on two long-term forecast

mechanisms for hydro-meteorological signals using hybrid wavelet-NN model.
Journal of Hydrology,v. 497, p. 189–197, 2013.

[5]Shoaib M., Assab Y. Shamseldin, Bruce W. Melville. Comparative study of different

wavelet based neural network models for rainfall-runoff modeling. Jornal of
Hydrology 515 (2014) 47-48.
[6]Weeks, Michael. Processamento de sinais digitais utilizando MATLAB® e Wavelets
/ tradução e revisão técnica Edson Tanaka.- Rio de Janeiro: LTC, 2012.

[7]Oswaldo Ludwig Jr. e Eduard Montgomery REDES NEURAIS fundamentos e

Aplicações com programas em C, Editora Ciência Moderna, Rio de Janeiro, 2007.

[8]Nayak P. C., SatyajiRao Y. R., Krishna B., 2010. Time Series Modeling of River Flow
Using Wavelets Neural Network. Journal of Water Resouce and Protection, 2011, 3, 50-59.

[9]Partal T., Kisi O., 2007. Wavelet and neuro-fuzzy conjunction model for
precipitation forecasting. Journal of Hydrology ScienceDirect, 2007, 342, 199-212.

[10] Sarava S. V., Oliveira F. C., Barbosa L. S., Domingues L., 2014. Avaliação de diferentes
conjunções entre a transformada wavelet e rede neural na previsão de vazão do rio
Mundaú. VII Congresso de Engenharia, Ciências e Tecnologia – CONECT.

[11] Sarava S. V., Oliveira F. C., Amorim R. F. C., Domingues L., 2014. Prognóstico de
radiação solar através de modelos que combinam as técnicas Wavelet e Redes
Neurais. VI Workshop de Mudanças Climáticas e Recursos Hridricos do Estado de
Pernambuco(VI WMCRHPE). Revista Brasileira de Geografia Física (RBGF), 2014