Um Arcabouço de Meta-Aprendizado e Triangulação de Dados para Imputação de Valores Ausentes em Séries Temporais Climáticas

Resumo

Aprendizado de máquina e métodos estatísticos podem ajudar a modelar fenômenos meteorológicos, principalmente num contexto com muitas variáveis. Porém, não raro, a medição destas variáveis pode sofrer falhas, gerando lacunas de dados e comprometendo a análise do histórico dos dados. Neste trabalho é proposto um arcabouço que combina as previsões fornecidas por três métodos de aprendizado de máquina: árvores de decisão, redes neurais artificiais e máquina de vetores suporte, juntamente com os valores calculados através de cinco métodos de triangulação: média aritmética, inverso da distância ponderada, inverso da distância ponderada otimizado e proporção normal otimizado. Cada algoritmo de aprendizado de máquina gera oito modelos de regressão. Um dos modelos de aprendizado de máquina gera previsões baseadas apenas na data e os sete modelos restantes geram previsões baseadas em um parâmetro climático (temperatura máxima, temperatura mínima, insolação, entre outros), além da respectiva data. Os métodos de triangulação usam dados climáticos de três cidades vizinhas para estimar o parâmetro da cidade-alvo. O conjunto de dados gerado é, posteriormente, otimizado por algoritmos de meta-aprendizado. Os resultados mostram que o acréscimo de informações fornecidas pelos novos modelos de aprendizado de máquina e os métodos de triangulação proporcionaram um aumento significativo na acurácia dos dados imputados. Além disso, a análise estatística e o coeficiente de determinação R² mostraram que o modelo de meta-aprendizado baseado em árvores de regressão combinou com sucesso os resultados do nível de base para gerar os resultados que melhor preenchem os valores faltantes das séries temporais estudadas neste artigo.