Este projeto visa analisar e prever o consumo de energia elétrica com base em séries temporais multivariadas. A abordagem combina modelagem estatística clássica com algoritmos de aprendizado de máquina, explorando variáveis exógenas como temperatura para melhorar a precisão das previsões.
- Análise exploratória da série temporal de consumo de energia
- Identificação de padrões sazonais e tendências
- Construção de modelos de previsão: SARIMAX
- Avaliação de desempenho com métricas robustas (MAE, MSE, RMSE)
- Visualizações interativas e painéis analíticos para comunicação dos resultados utilizando Plotly
- Previsão do consumo para os 12 meses de 2025, com intervalos de confiança
| Categoria | Bibliotecas |
|---|---|
| Manipulação de Dados | pandas, numpy |
| Séries Temporais | statsmodels, pmdarima |
| Aprendizado de Máquina | sarimax, scikit-learn |
| Visualização | matplotlib, seaborn, plotly |
| Utilitários | datetime, warnings |
- Identificação automática dos parâmetros (p, d, q)
- Utilização de variáveis exógenas (
exog) como temperatura - Geração de previsões com intervalo de confiança para 2025
- Valores reais vs previstos (linha)
- Previsão vs real (scatter + linha y=x)
- Gráfico interativo das previsões de 2025 com
Plotly, incluindo faixa de confiança (IC 95%)
- MAE médio: ≈ 32 kWh
- RMSE médio: ≈ 49 kWh
- Resíduos distribuídos de forma quase normal, sem autocorrelação significativa
- Gráficos mostram boa aderência entre previsão e valores reais, especialmente em períodos com padrão sazonal
A previsão para os próximos 12 meses foi gerada com auto_arima + variáveis exógenas. O gráfico apresenta:
- Linha de previsão (jan a dez de 2025)
- Banda de confiança (IC 95%)
- Ponto de maior consumo destacado
- Estimativa de consumo médio anual
# Clonar o repositório
git clone https://github.com/jaquelinesfernandes/Energy_Consumption_TimesSeriesS.git
cd Energy_Consumption_TimesSeriesS
# Instalar dependências
pip install -r requirements.txt
# Abrir notebooks
jupyter notebook notebooks/