Este repositório contém um Jupyter Notebook (Cópia_de_PREVISAO_DO_VENTO.ipynb) que explora diferentes métodos estatísticos e de Machine Learning para a previsão da velocidade do vento a 10 metros (WS10m [m.s-1]) utilizando dados meteorológicos.
O objetivo principal é analisar uma série temporal de velocidade do vento, identificar suas características (tendência, sazonalidade, estacionariedade) e aplicar diferentes modelos de previsão para comparar suas abordagens.
O notebook utiliza um arquivo CSV (SBLB_WRF_AZUL_00-24h.csv) contendo dados meteorológicos, incluindo:
Date: Data e hora da observação/previsão.T2m [°C]: Temperatura do ar a 2m.Td2m [°C]: Ponto de orvalho a 2m.RH2m [%]: Umidade relativa a 2m.SLP [hPa]: Pressão ao nível do mar.WS10m [m.s-1]: Velocidade do vento a 10m (variável alvo principal).WD10m [°]: Direção do vento a 10m.Prec [mm]: Precipitação.SWDN,SWUP,LWDN,LWUP: Componentes de radiação.
- Análise Exploratória de Dados (EDA):
- Visualização da série temporal original.
- Matriz de correlação entre variáveis.
- Decomposição da série (tendência, sazonalidade, resíduos) usando
statsmodels.tsa.seasonal.seasonal_decompose. - Boxplots mensais para análise de sazonalidade.
- Identificação da Série Temporal:
- Análise de autocorrelação (ACF) e autocorrelação parcial (PACF).
- Teste de estacionariedade (Augmented Dickey-Fuller - ADF).
- Modelagem Estatística (
statsmodels):- ARIMA (Autoregressive Integrated Moving Average).
- ARIMAX (ARIMA com variáveis exógenas).
- SARIMA (Seasonal ARIMA).
- SARIMAX (Seasonal ARIMA com variáveis exógenas).
- Avaliação dos modelos usando AIC, BIC, HQIC e análise de resíduos (Jarque-Bera, Ljung-Box).
- Busca por parâmetros ótimos usando
itertools.
- Modelagem com Machine Learning (
tensorflow/keras):- Rede Neural Recorrente com camadas LSTM (Long Short-Term Memory).
- Utilização de outras variáveis meteorológicas como features.
- Normalização dos dados usando
StandardScaler. - Treinamento e avaliação do modelo LSTM.