PREVISÃO DA UMIDADE RELATIVA DO AR COM MODELOS UNIVARIADOS: UMA COMPARAÇÃO ENTRE BILSTM E HÍBRIDO ROLLING VMD-BILSTM

Resumo

Esse artigo avaliou o desempenho da previsão univariada da umidade relativa do ar utilizando um modelo Deep Learning BiLSTM tradicional em contraposição a um modelo híbrido Rolling VMD-BiLSTM. A metodologia empregada baseou-se no uso de dados meteorológicos diários de oito municípios do Paraná (2007 a 2023). Aplicou-se a codificação cíclica para tratar a sazonalidade e o framework Optuna para a otimização dos hiperparâmetros. O grande diferencial metodológico foi a aplicação da Decomposição de Modo Variacional em janela deslizante (Rolling VMD), processando a série temporal de forma iterativa para mitigar o vazamento de dados (data leakage), garantindo um cenário preditivo realista. Os principais resultados encontrados evidenciaram a superioridade da abordagem híbrida, que reduziu o erro RMSE em 14,63% e aumentou a variância explicada ( ) em 32,35% em relação ao modelo base. Além disso, o modelo híbrido mitigou a defasagem temporal e a subestimação de extremos climáticos observados na rede pura. Conclui-se que o acoplamento do algoritmo Rolling VMD à rede BiLSTM constitui uma alternativa Salgorítmica rigorosa e fidedigna, prevenindo vieses de antecipação e oferecendo suporte robusto para sistemas de monitoramento contínuo e emissão de alertas meteorológicos.