PROJETANDO AS EMISSÕES DE CO2 POR TRANSPORTE RODOVIÁRIO PELAS CIDADES DO ESTADO DA BAHIA, BRAZIL, ATRAVÉS DE REDE NEURAL ARTIFICIAL UTILIZANDO DADOS PÚBLICOS E TRANSFORMATA WAVELET

FORECASTING ROAD-TRANSPORTATION CO2 EMISSION IN BAHIA STATE CITIES, BRAZIL, THROUGH ARTIFICIAL NEURAL NETWORK WITH OPEN-ACCESS DATA AND WAVELET TRANSFORM

Kawai, Marcos Nobuaki; Nascimento, Erick Giovani Sperandio

Original Article:

O Brasil se comprometeu com o Acordo de Paris a reduzir em 37% os níveis de emissões de 2005 em 2025. Focando em emissões de CO2 por transporte rodoviário, não há nenhum artigo prévio que aplicou ANN com a transformata wavelet para predizer isso para as cidades do estado da Bahia. Essa pesquisa visa desenvolver uma rede neural artificial capaz de predizer isso através de dados públicos e analisar sua eficiência. MLP e LSTM foram avaliados. A transformata Wavelet resultou em melhores métricas; foi aplicada no modelo final. A LSTM resultou em melhores métricas e é capaz de predizer até 6 meses à frente com um NMSE de 0.93 e R2 de 1.01. Pesquisas futuras poderão aumentar as variáveis, analisar outras técnicas e desenvolver cenários baseados na correlação das variáveis.

Brazil committed to the Paris Agreement, targeting to reduce by 37% 2005 emissions level in 2025. Focusing on road-transportation CO2 emissions, there is no previous paper that applied ANN with wavelet transformation to predict it for Bahia state cities. This research aims to develop an artificial neural network capable to forecast it through available open-access data and analyze its efficiency. Multilayer perceptron (MLP) and long short-term memory (LSTM) algorithms were evaluated. Wavelet transformation resulted in better metrics; it was applied in the final model. LSTM resulted in better metrics and is capable to predict up to 6 months ahead with NMSE of 0.93 and R2 of 1.01. Future research would increase the dataset variables, analyze other ANN techniques and develop scenarios based on variable’s correlation.

Palavras-chave:

DOI: 10.5151/siintec2021-208659

Referências bibliográficas

• [1] "1 RIEBESELL, Ulf et al. Enhanced biological carbon consumption in a high CO 2 ocean. Nature, v. 450, n. 7169, p. 545-548, 2007.
• [2] 2 TANHUA, Toste et al. A vision for FAIR ocean data products. Communications Earth & Environment, v. 2, n. 1, p. 1-4, 2021.
• [3] 3 KASSNAYER, K.; NETO, H. J. F. A entrada em vigor do Acordo de Paris: o que muda para o Brasil. Textos para Discussão. Núcleo de Estudos e Pesquisa da Consultoria Legislativa. Senado Federal, v. 215, 2016.
• [4] 4 LIU, Bingchun et al. Air pollution concentration forecasting based on wavelet transform and combined weighting forecasting model. Atmospheric Pollution Research, p. 101144, 2021.
• [5] 5 LI, Ying; SUN, Yanwei. Modeling and predicting city-level CO 2 emissions using open access data and machine learning. Environmental Science and Pollution Research, v. 28, n. 15, p. 19260-19271, 2021.
• [6] 6 ANP - Agência Nacional do Petróleo, Gás Natural e biocombustíveis. Arquivos – Dados abertos. Rio de Janeiro. Available at: <https://www.gov.br/anp/pt-br/centrais-de-conteudo/dados-abertos/vendas-de-derivados-de-petroleo-e-biocombustiveis>. Accessed on: 17 Apr. 2021.
• [7] 7 IBGE, Censo. Instituto Brasileiro de Geografia e Estatística-IBGE. 2000. Estimativas da População. Available at: <https://www.ibge.gov.br/estatisticas/sociais/populacao/9103-estimativas-de-populacao.html?=&t=downloads>. Accessed on: 06 Apr. 2021.
• [8] 8 IBGE, Censo. Instituto Brasileiro de Geografia e Estatística-IBGE. 2000. Arquivos – Sistema de Contas Nacionais Trimestrais. Available at: <https://www.ibge.gov.br/estatisticas/economicas/contas-nacionais/9300-contas-nacionais-trimestrais.html?=&t=resultados&utm_source=landing&utm_medium=explica&utm_campaign=pib#evolucao-taxa>. Accessed on: 15 May. 2021.
• [9] 9 DEPARTAMENTO NACIONAL DE TRÂNSITO (DENATRAN). Frota de veículos. 2017. Estatísticas Frotas de Veículos. Available at: <https://www.gov.br/infraestrutura/pt-br/assuntos/transito/conteudo-denatran/estatisticas-frota-de-veiculos-denatran>. Accessed on: 06 Apr. 2021.
• [10] 10 CETESB - Companhia Ambiental do Estado de São Paulo. Relatório de Emissões Veiculares no Estado de São Paulo, 2019. São Paulo, 2020. Available at: <https://cetesb.sp.gov.br/veicular/wp-content/uploads/sites/6/2020/11/Relatorio-Emissoes-Veiculares-no-Estado-de-Sao-Paulo-2019.pdf>. Accessed on: 08 Aug. 2021.
• [11] 11 ZUCATELLI, Pedro Junior et al. Nowcasting prediction of wind speed using computational intelligence and wavelet in Brazil. International Journal for Computational Methods in Engineering Science and Mechanics, v. 21, n. 6, p. 343-369, 2020.
• [12] 12 SNOEK, Jasper; LAROCHELLE, Hugo; ADAMS, Ryan P. Practical bayesian optimization of machine learning algorithms. Advances in neural information processing systems, v. 25, 2012.
• [13] "
• [14]

Como citar:

Kawai, Marcos Nobuaki; Nascimento, Erick Giovani Sperandio; "PROJETANDO AS EMISSÕES DE CO2 POR TRANSPORTE RODOVIÁRIO PELAS CIDADES DO ESTADO DA BAHIA, BRAZIL, ATRAVÉS DE REDE NEURAL ARTIFICIAL UTILIZANDO DADOS PÚBLICOS E TRANSFORMATA WAVELET", p-392-399. In: VII International Symposium on Innovation and Technology. São Paulo: Blucher, 2021.
ISSN 23577592, DOI 10.5151/siintec2021-208659