Combinação de Modelos Baseados em Transformers para Previsão de Dados Eólicos

Este trabalho investiga o uso de modelos combinados baseados em Transformers para previsão de séries temporais, avaliando as arquiteturas Informer, Autoformer, Transformer e CALF. Os modelos foram treinados com dados eólicos em duas configurações, com e sem denoising, e avaliados em diferentes horizontes de previsão. Duas estratégias de combinação foram exploradas: uma baseada em Otimização Multiobjetivo (MOO), utilizando NSGA-III para balancear MAPE e RMSE, e outra por meio da técnica multicritério SAW, que seleciona dinamicamente o melhor modelo a cada instante com base em janelas móveis. Os resultados mostraram que o modelo SAW obteve desempenho superior ao MOO, beneficiando-se da adaptação ao comportamento dos dados, enquanto o MOO demonstrou superioridade aos modelos base. Além disso, o denoising não teve impacto claro na acurácia, mas reduziu significativamente o tempo de treinamento. Conclui-se que abordagens combinadas podem oferecer previsões mais robustas que modelos individuais, especialmente em cenários com variabilidade temporal acentuada.