Este trabalho foi publicado pelo Galoá e tem um DOI depositado. Para citar este trabalho, use um dos padrões abaixo:
Caso você seja um dos co-autores e queira cadastrar esse trabalho no seu Currículo Lattes, use o seguinte código: doi > 10.17648/sbai-2019-111141
Se você NUNCA registrou um DOI no seu Lattes, veja nosso tutorial!A previsão de séries temporais, uma tarefa essencial no gerenciamento de Smart Cities e Smart Grids, torna-se um desafio quando precisa lidar com Big Data. O desenvolvimento de modelos de aprendizado de máquina altamente precisos é ainda mais difícil devido à otimização de hiperparâmetros, uma tarefa computacional dispendiosa. Para atenuar esses desafios, esse trabalho propõe o método de Séries Temporais Nebulosas de Alta Ordem Ponderada, um método versátil e customizável através de seus hiperparâmetros. Em conjunto é apresentado um método de otimização dos hiperparâmetros para Séries Temporais Nebulosas de Alta Ordem Ponderada que automatiza a geração de modelos acurados e parcimoniosos utilizando Algoritmos Genéticos. Os métodos propostos foram avaliados usando um cluster com hardware de commodity e um grande volume de dados de séries temporais de energia solar, alcançando bom desempenho em tempo de processamento viável.
Com ~200 mil publicações revisadas por pesquisadores do mundo todo, o Galoá impulsiona cientistas na descoberta de pesquisas de ponta por meio de nossa plataforma indexada.
Confira nossos produtos e como podemos ajudá-lo a dar mais alcance para sua pesquisa:
Esse proceedings é identificado por um DOI , para usar em citações ou referências bibliográficas. Atenção: este não é um DOI para o jornal e, como tal, não pode ser usado em Lattes para identificar um trabalho específico.
Verifique o link "Como citar" na página do trabalho, para ver como citar corretamente o artigo