Modelagem de Marés com Inteligência Artificial: Melhorando a Análise e a Previsão

Resumo

Introdução. Prever dados de maré é crucial para a operação segura e eficiente de um porto, pois influencia a navegação, a atracação de embarcações e a gestão de cargas. A previsão precisa ajudar a minimizar riscos de acidentes e otimiza as operações logísticas, garantindo a integridade das infraestruturas portuárias. Além disso, contribui para a proteção ambiental ao prevenir possíveis danos causados por variações extremas nas marés. Os modelos estatísticos, como o ARIMAX (AutoRegressivo Integrado de Médias Móveis com Variáveis Exógenas), são amplamente utilizados para previsão de séries temporais com variáveis exógenas (KOCHERLAKOTA, 1996). Contudo, esses modelos têm suas limitações, como a necessidade de um tratamento adequado dos dados para garantir uma boa previsão (MENCULINI,2021). Com o avanço das tecnologias da informação, a coleta de dados de múltiplas fontes causou um aumento de dados não estruturados, tornando o processamento desses dados para modelos clássicos uma tarefa árdua. Nesse contexto, o uso de inteligência artificial para previsão de séries temporais ganhou espaço, uma vez que modelos de deep learning podem se comportar melhor em cenários mais caóticos sem precisar do processamento necessário nos modelos estatísticos (MASINI,2023). Objetivos. O objetivo deste trabalho é utilizar o modelo NeuralProphet para prever dados de Corrente Superficial, Altura da Maré, Direção de Propagação da Onda e Altura da Onda, empregando variáveis exógenas como direção e intensidade dos ventos. Métodos. A previsão dos dados foi realizada utilizando modelagem de séries temporais, um campo amplamente difundido devido à sua aplicabilidade em diversas áreas do conhecimento. Foram considerados modelos endógenos e exógenos, sendo que o modelo ARIMAX (AutoRegressivo Integrado de Médias Móveis com Variáveis Exógenas) foi utilizado como referência. Entretanto, devido às limitações dos modelos estatísticos tradicionais, optou-se pelo uso de inteligência artificial. Os dados foram processados em intervalos de 5 e 60 minutos e divididos em conjuntos de treinamento (70%) e validação (30%). Resultados. Os resultados mostraram-se satisfatórios, com um menor RMSE nas séries com granularidade de 5 minutos, devido ao maior volume de dados disponíveis para treinamento. O modelo não utilizou uma estratégia de rolling window, o que permite uma execução mais rápida em cenários reais, mas pode sofrer com o drift de cenário. Observou-se a necessidade de uma estratégia de retreino em intervalos de tempo para lidar com mudanças significativas nos dados, embora tal necessidade não tenha sido verificada nos dados utilizados, pois o erro manteve-se estável entre os conjuntos de treinamento e validação. Conclusão. O modelo NeuralProphet demonstrou eficácia na previsão de dados de maré, especialmente em séries temporais com alta granularidade. A ausência de drift significativo nos dados de treinamento e validação sugere que o modelo é robusto para as condições testadas. No entanto, a implementação de uma estratégia de retreino em intervalos regulares pode melhorar ainda mais a precisão das previsões em cenários com mudanças significativas ao longo do tempo.