APRENDIZADO DE MÁQUINAS AUTOMATIZADO PARA PREDIÇÃO DE UMIDADE, TEMPERATURA E ILUMINAÇÃO EM AMBIENTES INTERNOS

Abstract

Diversos fatores ambientais afetam a saúde e bem-estar do ser humano, podendo ser prejudiciais quando fora dos valores ideais. Através da utilização de dispositivos relacionados à Internet das Coisas (Internet of Things - IoT), é possível medir esses fatores, possibilitando uma melhor análise da qualidade do ambiente interno. Com o Aprendizado de Máquinas (Machine Learning - ML), é possível analisar de forma rápida e precisa grandes quantidades de dados, permitindo criar modelos que podem predizer valores futuros com base em valores passados registrados em um banco de dados. Este estudo busca utilizar o Aprendizado de Máquinas automatizado (Automated Machine learning - Auto ML) para encontrar os modelos mais eficazes para a predição de umidade, temperatura e iluminação em ambientes internos. Os dados utilizados no experimento foram coletados de dois dispositivos sensitivos localizados em ambientes internos distintos de uma mesma instituição de ensino no Brasil. Foi feita uma comparação entre modelos preditivos baseados em hipóteses de aprendizagem diferentes, objetivando encontrar o modelo que se destacasse nos quesitos acurácia e velocidade. Os resultados mostraram que os modelos que utilizaram o algoritmo Voting Ensemble, juntamente com os algoritmos XGBoostRegressor e LightGBM, foram os mais eficazes, atingindo acurácia semelhante aos modelos que utilizaram o Stack Ensemble, porém em um tempo consideravelmente menor. Este estudo contribuirá para futuros pesquisadores que precisem analisar grandes quantidades de dados envolvendo alguma das variáveis do estudo, assim como auxiliar no processo de encontrar um bom modelo de ML para predição de outras variáveis através da utilização do Auto ML.