top of page
Modelagem Preditiva em IoT
Previsão de Uso de Energia
Projeto desenvolvido com a finalidade de implementar modelos preditivos
para prever o consumo de energia com base nos dados de sensores IoT wireless de uma residência.
Foram desenvolvidos 3 modelos preditivos de aprendizagem de máquina (Machine
Learning) supervisionada com base em dados históricos: lm, Random Forest e SVM. Estes dados foram coletados por sensores wireless por um período de 10 minutos por proximadamente 5 meses, sendo que as condições de temperatura e umidade relativa da esidência foram adquiridas por uma rede de sensores sem fio ZigBee.
Com os dados fornecidos foram desenvolvidas análises exploratórias identificando
períodos de maior consumo, ambientes com menos variações, outliers indicando possíveis
problemas em eletrodomésticos; engenharia de recursos; identificação das variáveis mais
relevantes; correlação; controle de underfitting e overfitting para o modelo de aprendizagem de máquina fornecer maior eficiência; treino e previsão do modelo; medidas de erro entre os valores previstos e os observados previamente através da métrica AUC; além de gráficos exemplificando cada etapa do processo de Data Science.
Por fim, ao analisar toda a problemática fornecida pelos dados, um novo algoritmo de
Machine Learning foi implementado: K – Means. Com ele separamos os dados previstos de
consumo em 9 categorias diferentes o que ajudou a entender períodos de maior consumo e
consequentemente oferecer melhores insights ao usuário
bottom of page