Predição de séries temporais com modelos treinados a partir da transferência de aprendizado

Abstract

A previsão de séries temporais climáticas é um desafio relevante para diversas áreas, como agricultura, energia e planejamento urbano, especialmente diante da complexidade dos dados meteorológicos e da escassez de informações históricas confiáveis. Este trabalho propõe uma análise comparativa entre modelos tradicionais e modernos de previsão, com foco em redes neurais profundas como LSTM, RNN, GRU e CNN, além da técnica de Transfer Learning para melhorar a generalização dos modelos e reduzir o custo computacional. Foram utilizados dados climáticos extraídos do portal POWER LARC da NASA, referentes às cidades de São Paulo (Brasil) e Calgary (Canadá), abrangendo variáveis como temperatura, umidade, pressão e velocidade do vento. A LSTM apresentou o melhor desempenho entre os modelos testados, com métricas superiores de erro e alinhamento temporal. A aplicação do Transfer Learning demonstrou ser eficaz tanto dentro do mesmo domínio quanto em domínios distintos, mantendo ou melhorando os resultados preditivos. Os experimentos reforçam a viabilidade do uso de aprendizado profundo aliado ao Transfer Learning na previsão meteorológica, especialmente em cenários com dados limitados. O trabalho contribui para o avanço de soluções eficientes e transferíveis para aplicações em séries temporais multivariadas no contexto climático.

Forecasting climate time series is a significant challenge across various sectors, such as agriculture, energy, and urban planning, especially given the complexity of meteorological data and the scarcity of reliable historical records. This study presents a comparative analysis between traditional and modern forecasting models, focusing on deep learning architectures such as LSTM, RNN, GRU, and CNN, as well as the application of Transfer Learning to enhance model generalization and reduce computational cost. Climate data was sourced from NASA's POWER LARC portal for the cities of São Paulo (Brazil) and Calgary (Canada), including variables such as temperature, humidity, pressure, and wind speed. Among the tested models, the LSTM network delivered the best performance, achieving superior accuracy and temporal alignment metrics. The application of Transfer Learning proved effective both within the same domain and across different domains, maintaining or even improving predictive performance. The experiments support the viability of deep learning combined with Transfer Learning for meteorological forecasting, particularly in scenarios with limited data availability. This work contributes to the advancement of efficient and transferable solutions for multivariate time series applications in climate-related contexts.