dc.creator | Facco, Maicon | |
dc.date.accessioned | 2022-05-31T14:02:18Z | |
dc.date.available | 2022-05-31T14:02:18Z | |
dc.date.issued | 2022-03-11 | |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/24597 | |
dc.description.abstract | Circular 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.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES | por |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Aprendizado de máquina | por |
dc.subject | CkNN | por |
dc.subject | Dados circulares | por |
dc.subject | Direção de vento | por |
dc.subject | kNN | por |
dc.subject | Circular data | eng |
dc.subject | Machine learning | eng |
dc.subject | Wind direction | eng |
dc.title | K vizinhos mais próximos circular: uma nova proposta para predição de dados angulares | por |
dc.title.alternative | Circular K nearest neighbors: a new proposal for angular data prediction | eng |
dc.type | Dissertação | por |
dc.description.resumo | Dados 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.advisor1 | Bayer, Fabio Mariano | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/9904863693302949 | por |
dc.contributor.referee1 | Prass, Taiane Schaedler | |
dc.contributor.referee2 | Silva, Augusto Maciel da | |
dc.creator.Lattes | http://lattes.cnpq.br/9747495223244947 | por |
dc.publisher.country | Brasil | por |
dc.publisher.department | Engenharia de Produção | por |
dc.publisher.initials | UFSM | por |
dc.publisher.program | Programa de Pós-Graduação em Engenharia de Produção | por |
dc.subject.cnpq | CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO | por |
dc.publisher.unidade | Centro de Tecnologia | por |