Publication
Algoritmos de machine learning aplicados em edifícios inteligentes com elevada penetração de veículos elétricos
| dc.contributor.advisor | Soares, João André Pinto | |
| dc.contributor.author | Rosa, Thiago Cesar | |
| dc.date.accessioned | 2023-03-31T14:30:06Z | |
| dc.date.available | 2023-03-31T14:30:06Z | |
| dc.date.issued | 2022 | |
| dc.description.abstract | A presente dissertação discute o desenvolvimento de um método de previsão de ocupação para dois parques de estacionamentos residenciais no contexto de um edifício inteligente, a fim de se conhecer, antecipadamente, qual a taxa de ocupação desses parques de estacionamentos. Para concretizar tal objetivo, utilizaram-se dados históricos realísticos coletados por observação empírica e extrapolado para um ano. O modelo de previsão desenvolvido utiliza técnicas de machine learning com diversos algoritmos testados, entre eles, Decision Tree, Extra Tree, Logistic Regression, Random Forest, Naive Bayes, K-Nearest Neighbors e Support Vector Machine. No modelo proposto foi identificado qual destes algoritmos obteve melhor desempenho. Vários tipos de modelos foram testados com o objetivo de melhorar os resultados obtidos, bem como compreender o impacto de cada um dos tratamentos dos dados utilizados. A solução final teve seu desempenho validado, com métricas de avaliação com bons resultados, exatidão e precisão superiores a 80%, e se mostrou eficaz considerando os dados analisados e ainda o horizonte temporal da previsão. | pt_PT |
| dc.description.abstract | This dissertation is focused on the development of a prediction method for two residential car parks in the context of an intelligent building. The aim was to know in advance the occupancy rate of these car parks, using only historical data collected by empirical observation, and extrapolate for one year. The prediction model developed uses machine learning techniques with several tested algorithms (Decision Tree, Extra Tree, Logistic Regression, Random Forest, Naive Bayes, K- Nearest Neighbors and Support Vector Machine) to identify which of these algorithms performs better. Several types of models were tested with the objective of improve the results obtained, and understand the impact of each of the data treatments used. The final solution had its performance validated, with good evaluation metrics results. Accuracy and precision were higher than 80% and, therefore, the solution proved to be effective considering the data analyzed and the temporal horizon of the forecast. | pt_PT |
| dc.identifier.tid | 203114078 | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10400.22/22654 | |
| dc.language.iso | por | pt_PT |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | pt_PT |
| dc.subject | Algoritmos | pt_PT |
| dc.subject | Inteligência Artificial | pt_PT |
| dc.subject | K-Nearest Neighbor | pt_PT |
| dc.subject | Machine Learning | pt_PT |
| dc.subject | Ocupação de estacionamento | pt_PT |
| dc.subject | Técnicas de previsão | pt_PT |
| dc.subject | Algorithm | pt_PT |
| dc.subject | Artifical Inteligence | pt_PT |
| dc.subject | Forecasting | pt_PT |
| dc.subject | Parking ocuppancy | pt_PT |
| dc.subject | Prediction techniques | pt_PT |
| dc.title | Algoritmos de machine learning aplicados em edifícios inteligentes com elevada penetração de veículos elétricos | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.name | Mestrado em Engenharia Eletrotécnica - Sistemas Elétricos de Energia | pt_PT |