Projetos

Resumo: Este trabalho visa efetuar uma comparação entre modelos de previsão de séries temporais, nomeadamente, Holt-Winters, ARIMA, Long Short-Term Memory (LSTM) e Prophet, quando aplicados a dados reais de caudais de água distribuídos em quatro setores de abastecimento de aglomerados urbanos, situados em zonas rurais, onde existia uma medição de caudal e respetivo registo com uma frequência máxima de uma hora. Os setores em causa foram o de Janeiro de Cima e Aldeia de Joanes, no concelho do Fundão, Degolados, no concelho de Campo Maior e Alcáçova, no concelho de Elvas, todos situados em Portugal. A comparação foi feita de forma determinística utilizando as métricas de avaliação Erro Médio Absoluto, Raiz do Erro Quadrático Médio e Coeficiente de Determinação. As métricas foram calculadas para previsões de curto prazo, 10 dias, e de longo prazo, 3 meses. Os resultados mostraram que o modelo ARIMA era mais eficiente para previsões de curto prazo, sendo o modelo LSTM mais eficiente nas previsões de longo prazo. Verificou-se que em zonas com oscilações de consumo significativas que perturbavam os padrões de uma forma aleatória, nenhum modelo conseguiu efetuar previsões minimamente aceitáveis. Por outro lado, verificou-se a potencialidade dos modelos LSTM e Prophet em efetuarem previsões tendo em conta a sazonalidade anual, característica determinante para deteção de anomalias.

Resumo: Este trabalho visa a avaliação e comparação de modelos baseados na arquitetura de Transformers para a tarefa de Pergunta/Resposta que foram pré-treinados com dados em língua portuguesa. Foi feito o ajuste fino de três modelos de linguagem baseados no modelo BERTimbau (modelo BERT pré-treinado para português): o bert-base-cased-squad-v1.1-portuguese (SQUAD-PT-BASE); o faquad-bert-base-portuguese-cased (FAQUAD-PT-BASE) e o bert-large-cased-squad-v1.1-portuguese (SQUAD-PT-LARGE). Estes modelos fazem uso da arquitetura Transformer, possuindo respetivamente 108 334 082, 108 334 082 e 333 348 866 parâmetros. Para efetuar o ajuste fino, foi construído um dataset no formato SQuAD (Stanford Question Answering Dataset) com 265 perguntas em português europeu, acerca da Fundação da Nossa Senhora da Esperança. A validação do desempenho dos modelos foi efetuada através das métricas F1 e accuracy, tendo o melhor resultado sido alcançado com o modelo SQUAD-PT-BASE com um F1 de 0,91111 e uma accuracy de 0,96154. Os valores obtidos permitem concluir que o ajuste fino efetuado aos modelos pré-treinados, conduzem a resultados para tarefas de Pergunta/Resposta bastante satisfatórios, tendo atingido uma performance melhor do que os modelos originais e de outros trabalhos semelhantes..