| Campo Dublin Core | Valor | Língua |
|---|
| dc.contributor.advisor | Borges, Vinícius Ruela Pereira | - |
| dc.contributor.author | Machado, Carolina Estrella | - |
| dc.identifier.citation | MACHADO, Carolina Estrella. Machine learning approaches for short-term weather forecasting from a local weather station. 2023. 16 f., il. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) — Universidade de Brasília, Brasília, 2023. | pt_BR |
| dc.description | Trabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2023. | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.subject.keyword | machine learning | pt_BR |
| dc.subject.keyword | Aprendizado de máquina | pt_BR |
| dc.title | Machine learning approaches for short-term weather forecasting from a local weather station | pt_BR |
| dc.type | Trabalho de Conclusão de Curso - Graduação - Bacharelado | pt_BR |
| dc.date.accessioned | 2024-07-04T16:34:06Z | - |
| dc.date.available | 2024-07-04T16:34:06Z | - |
| dc.date.submitted | 2023-12-19 | - |
| dc.identifier.uri | https://bdm.unb.br/handle/10483/39160 | - |
| dc.language.iso | Inglês | pt_BR |
| dc.rights.license | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta. | pt_BR |
| dc.description.abstract1 | Weather forecasting is a relevant task that affect the
human activities, including agriculture, transportation, economy,
environment, tourism and entertainment. The weather conditions
are predicted based on complex mathematical models that
require considerable computer resources and data from satellites,
sensors and atmospheric simulations. The successful application
of machine learning techniques for weather forecasting worldwide
motivated us to explore these approaches on weather data from
the Instituto Nacional de Meteorologia (INMET). The goal of this
research is to compare different machine learning techniques
for both weather time-series forecasting and rain prediction
using data from a weather station located in Bras´ılia, Distrito
Federal. The weather forecasting is dealt as a regression task,
while the rain prediction is dealt as a classification task. The
proposed methodology consists of several steps including data
collection, preprocessing, sampling via hold-out, hyperparameter
optimization, regression and classification experiments, evaluation
and discussion. As for the classification task, the Support
Vector Machines (SVM) presented better results of f1-score when
compared to other methods. The Bidirectional long short-term
memory (BiLSTM) presented better results for the regression
task when compared to other deep learning techniques. | pt_BR |
| Aparece na Coleção: | Ciência da Computação
|
