Sistemas Evolutivos Baseados em Regras para Previsão de Temperatura

Este livro considera métodos inteligentes evolutivos para previsão de séries temporais meteorológicas. São avaliados os métodos evolving Takagi-Sugeno (eTS), eXtended Takagi-Sugeno (xTS), Dynamic Evolving Neural Fuzzy Inference System (DENFIS), Fuzzy-Set Based evolving Modeling (FBeM), e uma variação de um método inteligente baseado em nuvens de dados chamado Typicality and Eccentricity Data Analytics (TEDA). São desenvolvidos modelos centrados em dados, não lineares e variantes no tempo para previsão de temperatura média mensal. Valores passados de temperatura mínima, máxima e média, assim como valores passados de variáveis exógenas como o nível de nebulosidade, precipitação de chuva e umidade do ar são levados em conta na previsão. É utilizado um método não-paramétrico baseado na correlação de Spearman para ordenação e seleção das características e atrasos de tempo mais importantes para a previsão. As bases de dados foram obtidas de estações meteorológicas localizadas nas cidades de São Paulo, Manaus, Porto Alegre, e Natal. Estas cidades têm características climáticas particulares. Ademais, um ensemble de nuvens de dados, modelos fuzzy e operadores de agregação fuzzy é proposto.