Predição climática utilizando redes neurais convolucionais e redes neurais recorrentes

A previsão de variáveis atmosféricas com aprendizado profundo tem usado redes híbridas convolucional-recorrentes com frequência. Essa prática parte do pressuposto de que a camada convolucional tende a melhorar o desempenho. Este trabalho verifica a validade desse pressuposto quando o problema é uma série temporal multivariada de ponto único, sem estrutura espacial. Os dados usados são horários da estação meteorológica automática de Sorocaba, SP, entre 2000 e 2025. Eles vieram do conjunto METBRA25Y. A partir de janelas de 336 horas, os modelos preveem ao mesmo tempo todas as variáveis da entrada em três horizontes: 1 hora, 24 horas e 168 horas. Foram comparadas as redes recorrentes puras LSTM e GRU com as híbridas CNN-LSTM, CNN-GRU, CNN-LSTM-GRU e suas variantes bidirecionais. O ARIMA serviu como linha de base estatística. Todas as redes usaram a mesma configuração de camadas, unidades e regularização. Assim, a única diferença entre os grupos foi a presença do bloco convolucional. O desempenho foi medido por MAE, R², SMAPE e DTW, com cinco execuções por modelo. O desvio padrão entre elas serviu para separar diferença real de empate técnico. Os resultados mostram que a convolução não trouxe ganho expressivo. Nos horizontes de 1 hora e 168 horas, dominou o empate técnico. No horizonte de 24 horas, as recorrentes puras venceram em dez das dezesseis variáveis, sem nenhum ganho expressivo das híbridas. O trabalho indica que, sem estrutura espacial, acrescentar convolução a uma rede recorrente tende a adicionar parâmetros sem trazer informação nova.

Resumo (inglês)

The forecasting of atmospheric variables using deep learning has frequently employed hybrid convolutional-recurrent networks. This stems from the assumption that the convolutional layer tends to improve performance. This work investigates whether this idea holds true when the problem is a single-point multivariate time series with no spatial structure. The data used consists of hourly records from the automatic weather station of Sorocaba, SP, between 2000 and 2025, sourced from the METBRA25Y dataset. Using 336-hour windows, the models simultaneously predict all input variables over three horizons: 1 hour, 24 hours, and 168 hours. Pure recurrent networks (LSTM and GRU) were compared against hybrid networks (CNN-LSTM, CNN-GRU, CNN-LSTM-GRU) and their bidirectional variants. ARIMA served as the statistical baseline. All networks used the same configuration of layers, units, and regularization. Thus, the only difference between the groups was the presence of the convolutional block. Performance was measured using MAE, R², SMAPE, and DTW, with five runs per model. The standard deviation between them was used to distinguish actual differences from technical ties. The results show that convolution did not bring significant gains. In the 1-hour and 168-hour horizons, technical ties prevailed. In the 24-hour horizon, pure recurrent networks outperformed in ten out of the sixteen variables, with no significant gain from the hybrid models. This study indicates that, without spatial structure, adding convolution to a recurrent network tends to add parameters without bringing new information.

Palavras-chave

Redes neurais (Computação) Previsão do tempo Aprendizado do computador Neural networks (Computer science) Weather forecasting Machine learning

Idioma

Português

Citação

MACIEL, Caio Alencar. Predição climática utilizando redes neurais convolucionais e redes neurais recorrentes. 2026. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Controle e Automação) - Instituto de Ciência e Tecnologia, Universidade Estadual Paulista, Sorocaba, 2026.