Mostrar registro simples

dc.creatorFacco, Maicon
dc.date.accessioned2022-05-31T14:02:18Z
dc.date.available2022-05-31T14:02:18Z
dc.date.issued2022-03-11
dc.identifier.urihttp://repositorio.ufsm.br/handle/1/24597
dc.description.abstractCircular data are present in several areas of science and lack specific statistical methods for their treatment. The calculation of descriptive statistics for data of a linear nature, for example, does not result in adequate values or that has practical meaning for data in the circumference. Regarding regression models, the literature presents parametric regression models for circular data, which presupposes certain circular probability distributions for their adjustments. On the other hand, in the machine learning field, a supervised prediction approach for continuous data involves non-parametric regression models, which may not be suitable for situations where the variable of interest is circular. In this context, the main goal of the present work is to develop non-parametric predictive models for circular data, based on the concepts of machine learning, namely, the circular k nearest neighbors (CkNN). This methodology was employed in the development of machine learning algorithms for circular data and predictions of directional wind data in different automatic weather stations of several municipalities in the Rio Grande do Sul estate, Brazil, in addition to some municipalities in the states of Bahia and Santa Catarina. The quality of the chosen models was measured using a specific risk measure.eng
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESpor
dc.languageporpor
dc.publisherUniversidade Federal de Santa Mariapor
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 International*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectAprendizado de máquinapor
dc.subjectCkNNpor
dc.subjectDados circularespor
dc.subjectDireção de ventopor
dc.subjectkNNpor
dc.subjectCircular dataeng
dc.subjectMachine learningeng
dc.subjectWind directioneng
dc.titleK vizinhos mais próximos circular: uma nova proposta para predição de dados angularespor
dc.title.alternativeCircular K nearest neighbors: a new proposal for angular data predictioneng
dc.typeDissertaçãopor
dc.description.resumoDados circulares estão presentes em várias áreas da ciência e carecem de métodos estatísticos específicos para seu tratamento. O cálculo de estatísticas descritivas para dados de natureza linear, por exemplo, não resulta em valores adequados ou que possuam significado prático para dados na circunferência. No âmbito de modelos de regressão, a literatura apresenta modelos de regressão paramétricos para dados circulares, os quais fazem suposições de determinadas distribuições de probabilidade circulares para seus ajustes. Por outro lado, na área de aprendizado de máquina, uma abordagem de predição supervisionada para dados contínuos envolve modelos de regressão não paramétricos, os quais podem não ser adequados para situações em que a variável de interesse é circular. Neste contexto, o presente trabalho objetivou desenvolver modelos preditivos não paramétricos para dados circulares baseados nos conceitos de aprendizagem de máquina, qual seja, o k vizinhos mais próximos circular (CkNN - circular k-nearest neighbors). Essa metodologia foi empregada no desenvolvimento de algoritmos de aprendizado de máquina para dados circulares, na criação de modelos preditivos e na predição de dados direcionais de vento em diferentes estações automáticas meteorológicas de diversos municípios do estado do Rio Grande do Sul, além de um município da Bahia e outro de Santa Catarina. A qualidade dos modelos escolhidos foi mensurada por meio de uma medida de risco específica.por
dc.contributor.advisor1Bayer, Fabio Mariano
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/9904863693302949por
dc.contributor.referee1Prass, Taiane Schaedler
dc.contributor.referee2Silva, Augusto Maciel da
dc.creator.Latteshttp://lattes.cnpq.br/9747495223244947por
dc.publisher.countryBrasilpor
dc.publisher.departmentEngenharia de Produçãopor
dc.publisher.initialsUFSMpor
dc.publisher.programPrograma de Pós-Graduação em Engenharia de Produçãopor
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAOpor
dc.publisher.unidadeCentro de Tecnologiapor


Arquivos deste item

Thumbnail
Thumbnail

Este item aparece na(s) seguinte(s) coleção(s)

Mostrar registro simples

Attribution-NonCommercial-NoDerivatives 4.0 International
Exceto quando indicado o contrário, a licença deste item é descrito como Attribution-NonCommercial-NoDerivatives 4.0 International