Jorge Soares
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Jorge Soares has a total of 70 co-authors. Here are the top co-authors by number of shared publications:
- Eduardo Ogasawara
Federal Center for Technological Education of Rio de Janeiro, CEFET/RJ, Rio de Janeiro, Brazil
7 shared publications - Diego Brandão
Centro Federal de Educação Tecnológica Celso Suckow da Fonseca
5 shared publications - Diego Carvalho
Federal Center for Technological Education Celso Suckow da Fonseca, Rio de Janeiro, Brazil
5 shared publications - Eduardo Bezerra
CEFET/RJ
4 shared publications - Ronaldo Ribeiro Goldschmidt
Military Institute of Engineering
3 shared publications Alice Sternberg
CEFET/RJ: Federal Center for Technological Education of Rio de Janeiro, Rio de Janeiro, Brazil
2 shared publications
Latest Publications
- 8 September 2026
- Published by Sociedade Brasileira de Computação
- p. 784-790
Aplicação de métodos baseados em concept drift para previsão de gols no futebol profissional
Prever gols em tempo real é uma tarefa difícil e relevante no esporte. Neste trabalho, investigamos se detectores de drift não supervisionados conseguem antecipar gols. Para isso, modelamos séries de passes como um problema de drift virtual e avaliamos Page-Hinkley, KSWIN e ADWIN em dados StatsBomb (La Liga 2015/2016) com uma variante assimétrica do SoftED que valoriza alarmes antecipados. O Page-Hinkley obteve o maior MCC, sugerindo que a detecção de drift é uma alternativa viável e interpretável para alertas táticos em tempo real no futebol.
- 8 September 2026
- Published by Sociedade Brasileira de Computação
- p. 784-790
Aplicação de métodos baseados em concept drift para previsão de gols no futebol profissional
Prever gols em tempo real é uma tarefa difícil e relevante no esporte. Neste trabalho, investigamos se detectores de drift não supervisionados conseguem antecipar gols. Para isso, modelamos séries de passes como um problema de drift virtual e avaliamos Page-Hinkley, KSWIN e ADWIN em dados StatsBomb (La Liga 2015/2016) com uma variante assimétrica do SoftED que valoriza alarmes antecipados. O Page-Hinkley obteve o maior MCC, sugerindo que a detecção de drift é uma alternativa viável e interpretável para alertas táticos em tempo real no futebol.
- 8 September 2026
- Published by Sociedade Brasileira de Computação
- p. 735-741
WARMA: A Window-Based Autoregressive Moving Average Model for Non-Stationary Time Series
Many time-series models assume stationarity. Analysts therefore often apply global transformations such as differencing. Although these transformations can be effective, they also change the mean, variance, and covariance simultaneously, making the original series harder to interpret. We present WARMA, a model that combines window-based preprocessing with ARMA modeling. The model operates locally over sliding windows. WARMA first adjusts the mean and then the variance, so the preprocessing remains interpretable in terms of steps. Experiments on synthetic and real economic-financial series show that WARMA reaches stationarity in at most two steps and delivers forecasting accuracy comparable to that of ARIMA while providing a more localized view of the preprocessing effect.
- 8 September 2026
- Published by Sociedade Brasileira de Computação
- p. 735-741
WARMA: A Window-Based Autoregressive Moving Average Model for Non-Stationary Time Series
Many time-series models assume stationarity. Analysts therefore often apply global transformations such as differencing. Although these transformations can be effective, they also change the mean, variance, and covariance simultaneously, making the original series harder to interpret. We present WARMA, a model that combines window-based preprocessing with ARMA modeling. The model operates locally over sliding windows. WARMA first adjusts the mean and then the variance, so the preprocessing remains interpretable in terms of steps. Experiments on synthetic and real economic-financial series show that WARMA reaches stationarity in at most two steps and delivers forecasting accuracy comparable to that of ARIMA while providing a more localized view of the preprocessing effect.
- 4 July 2026
- Published by Springer Nature
- p. 613-627
Quantile Regression for Soil Organic Carbon: A Distributional Analysis of Soil Variability
- 4 July 2026
- Published by Springer Nature
- p. 613-627
Quantile Regression for Soil Organic Carbon: A Distributional Analysis of Soil Variability
- Open Access
- 25 October 2024
- Published by Institute of Electrical and Electronics Engineers (IEEE) in IEEE Latin America Transactions
- Vol. 22 (11) , 899-910
D-AI2-M: Ethanol Production Forecasting in Brazil Using Data-Centric Artificial Intelligence Methodology
Ethanol serves as one of Brazils primary biofuels. The country produces two main types of ethanol: i) hydrous ethanol, directly utilized as vehicle fuel, and ii) anhydrous ethanol, presently integrated at a rate of 27% into regular gasoline. In 2023, data from the National Agency of Petroleum, Natural Gas, and Biofuels (ANP) indicated that the total volume of ethanol sold in Brazil (hydrous and anhydrous) was just over 28 million cubic meters (m3), which corresponded to almost 22% of the total volume of liquid fuels sold in the country. These numbers illustrate the importance of this biofuel in Brazil. Just six states account for approximately 90% of Brazilian ethanol production. The logistical challenge arises from production seasonality and the necessity to transport ethanol from production sites to distribution and resale networks. Commonly, such prediction is supported using econometric models, such as ARIMA. Considering the recent advances in Artificial Intelligence, this challenge prompts the research question: Can we enhance monthly hydrous and anhydrous ethanol production prediction for the primary Brazilian-producing states using Artificial Intelligence Models (AIM) How should data be prepared for such an approach This study aims to contribute to logistical planning by employing D-AI2-M - a Data-Centric Artificial Intelligence (DAI) methodology - to aid in selecting AIM for ethanol production time series in the principal Brazilian-producing states. Our quantitative experimental evaluation demonstrates the superior forecasting performance of D-AI2-M in two approaches: i) Local: where different D-AI2-M outperform the benchmark models depending on the specific time series, and ii) Global: where a single D-AI2-M achieves the best mean performance across the complete set of evaluated time series.
- 25 October 2024
- Published by Institute of Electrical and Electronics Engineers (IEEE) in IEEE Latin America Transactions
- Vol. 22 (11) , 899-910
Open AccessD-AI2-M: Ethanol Production Forecasting in Brazil Using Data-Centric Artificial Intelligence Methodology
Ethanol serves as one of Brazils primary biofuels. The country produces two main types of ethanol: i) hydrous ethanol, directly utilized as vehicle fuel, and ii) anhydrous ethanol, presently integrated at a rate of 27% into regular gasoline. In 2023, data from the National Agency of Petroleum, Natural Gas, and Biofuels (ANP) indicated that the total volume of ethanol sold in Brazil (hydrous and anhydrous) was just over 28 million cubic meters (m3), which corresponded to almost 22% of the total volume of liquid fuels sold in the country. These numbers illustrate the importance of this biofuel in Brazil. Just six states account for approximately 90% of Brazilian ethanol production. The logistical challenge arises from production seasonality and the necessity to transport ethanol from production sites to distribution and resale networks. Commonly, such prediction is supported using econometric models, such as ARIMA. Considering the recent advances in Artificial Intelligence, this challenge prompts the research question: Can we enhance monthly hydrous and anhydrous ethanol production prediction for the primary Brazilian-producing states using Artificial Intelligence Models (AIM) How should data be prepared for such an approach This study aims to contribute to logistical planning by employing D-AI2-M - a Data-Centric Artificial Intelligence (DAI) methodology - to aid in selecting AIM for ethanol production time series in the principal Brazilian-producing states. Our quantitative experimental evaluation demonstrates the superior forecasting performance of D-AI2-M in two approaches: i) Local: where different D-AI2-M outperform the benchmark models depending on the specific time series, and ii) Global: where a single D-AI2-M achieves the best mean performance across the complete set of evaluated time series.
- Open Access
- 14 October 2024
- Published by Sociedade Brasileira de Computação
- p. 687-693
Avaliação de diferentes técnicas de agrupamento no contexto da Imputação em Cascata
É comum que bases de dados apresentem valores ausentes, o que pode demandar a aplicação de técnicas de imputação. Neste artigo, propomos uma variação da abordagem de imputação em cascata, adequada para tratar valores ausentes em múltiplas colunas, em que valores imputados em um atributo são reintegrados à base de dados antes da imputação, e utilizados para a complementação do próximo atributo. Os resultados revelam que a variação dos algoritmos de agrupamento não impacta na qualidade do dado imputado. Entretanto, há ganhos quando comparado à imputação por média.
- 14 October 2024
- Published by Sociedade Brasileira de Computação
- p. 687-693
Open AccessAvaliação de diferentes técnicas de agrupamento no contexto da Imputação em Cascata
É comum que bases de dados apresentem valores ausentes, o que pode demandar a aplicação de técnicas de imputação. Neste artigo, propomos uma variação da abordagem de imputação em cascata, adequada para tratar valores ausentes em múltiplas colunas, em que valores imputados em um atributo são reintegrados à base de dados antes da imputação, e utilizados para a complementação do próximo atributo. Os resultados revelam que a variação dos algoritmos de agrupamento não impacta na qualidade do dado imputado. Entretanto, há ganhos quando comparado à imputação por média.
- Open Access
- 14 October 2024
- Published by Sociedade Brasileira de Computação
- p. 167-180
Data-Centric AI for predicting non-contact injuries in professional soccer players
One big concern in soccer professional teams is to search for preventive measures to reduce the frequency of harmful episodes in their athletes since these episodes greatly impact the sports industry and affect both the team’s performance and the association’s economic situation. Thus, the present work proposes a methodology to predict non-contact injury episodes that may affect them in a microcycle through Data-centric AI concepts. The prediction model is trained using a dataset related to professional soccer athletes. The most interesting result were with AUC-ROC of 79,8%. About the performance improvement strategies applied, the best undersampling ratio was 70/30, PCA with one or two principal components did best, and the Decision Tree algorithm excelled.
- 14 October 2024
- Published by Sociedade Brasileira de Computação
- p. 167-180
Open AccessData-Centric AI for predicting non-contact injuries in professional soccer players
One big concern in soccer professional teams is to search for preventive measures to reduce the frequency of harmful episodes in their athletes since these episodes greatly impact the sports industry and affect both the team’s performance and the association’s economic situation. Thus, the present work proposes a methodology to predict non-contact injury episodes that may affect them in a microcycle through Data-centric AI concepts. The prediction model is trained using a dataset related to professional soccer athletes. The most interesting result were with AUC-ROC of 79,8%. About the performance improvement strategies applied, the best undersampling ratio was 70/30, PCA with one or two principal components did best, and the Decision Tree algorithm excelled.
- Open Access
- 14 October 2024
- Published by Sociedade Brasileira de Computação
- p. 827-833
Avaliação de Desvios de Conceitos Reais e Virtuais nos Atrasos de Voos em São Paulo nos Períodos Pré, Intra e Pós-Pandemia
Os atrasos nos voos representam desafios significativos para a eficiência operacional e a satisfação dos passageiros. Este estudo investiga a detecção de desvios de conceitos reais e virtuais nos atrasos de voos no principal aeroporto de São Paulo (SBSP) durante os períodos pré, intra e pós-pandemia. Utilizando o modelo Naive Bayes e integrando dados do Voo Regular Ativo (ANAC) com informações meteorológicas da NOAA, o estudo avalia o impacto de diferentes métodos de detecção de desvio de conceito no desempenho preditivo. A análise revela que técnicas de desvio virtual, como KSWIN, foram mais eficazes em contextos estáveis, enquanto métodos básicos, como Passivo e Inativo, se destacaram durante a pandemia. Esses resultados enfatizam a importância de escolher e combinar técnicas de detecção para aprimorar a precisão e a adaptabilidade dos modelos preditivos em diferentes cenários operacionais.
- 14 October 2024
- Published by Sociedade Brasileira de Computação
- p. 827-833
Open AccessAvaliação de Desvios de Conceitos Reais e Virtuais nos Atrasos de Voos em São Paulo nos Períodos Pré, Intra e Pós-Pandemia
Os atrasos nos voos representam desafios significativos para a eficiência operacional e a satisfação dos passageiros. Este estudo investiga a detecção de desvios de conceitos reais e virtuais nos atrasos de voos no principal aeroporto de São Paulo (SBSP) durante os períodos pré, intra e pós-pandemia. Utilizando o modelo Naive Bayes e integrando dados do Voo Regular Ativo (ANAC) com informações meteorológicas da NOAA, o estudo avalia o impacto de diferentes métodos de detecção de desvio de conceito no desempenho preditivo. A análise revela que técnicas de desvio virtual, como KSWIN, foram mais eficazes em contextos estáveis, enquanto métodos básicos, como Passivo e Inativo, se destacaram durante a pandemia. Esses resultados enfatizam a importância de escolher e combinar técnicas de detecção para aprimorar a precisão e a adaptabilidade dos modelos preditivos em diferentes cenários operacionais.
- 3 February 2024
- Published by Springer Nature
- p. 229-243
Fault Classification of Wind Turbine: A Comparison of Hyperparameter Optimization Methods
- 3 February 2024
- Published by Springer Nature
- p. 229-243
Fault Classification of Wind Turbine: A Comparison of Hyperparameter Optimization Methods
- Open Access
- 25 September 2023
- Published by Sociedade Brasileira de Computação
- p. 372-377
Métodos de Detecção de Fake News: Uma Comparação entre as Abordagens de Crowd Signals e Ensembles
A crescente disseminação de fake news deve-se à facilidade de criação e consumo de informações nos meios digitais. Para identificá-las, a abordagem baseada em crowd signals híbridos (HCS) combina sinais (opiniões sobre sua veracidade) coletados de usuários ou de classificadores de aprendizado de máquina (AM). Embora promissora, a abordagem HCS emprega um método ingênuo (Naive Bayes) para combinar os sinais e inferir quais notícias são falsas. Assim, o presente trabalho questiona se o uso de métodos Ensemble para conjugar opiniões fornecidas pelos classificadores de AM usados na HCS pode aprimorar os modelos de classificação resultantes. Experimentos preliminares com os datasets usados na HCS revelam indícios de validade da hipótese.
- 25 September 2023
- Published by Sociedade Brasileira de Computação
- p. 372-377
Open AccessMétodos de Detecção de Fake News: Uma Comparação entre as Abordagens de Crowd Signals e Ensembles
A crescente disseminação de fake news deve-se à facilidade de criação e consumo de informações nos meios digitais. Para identificá-las, a abordagem baseada em crowd signals híbridos (HCS) combina sinais (opiniões sobre sua veracidade) coletados de usuários ou de classificadores de aprendizado de máquina (AM). Embora promissora, a abordagem HCS emprega um método ingênuo (Naive Bayes) para combinar os sinais e inferir quais notícias são falsas. Assim, o presente trabalho questiona se o uso de métodos Ensemble para conjugar opiniões fornecidas pelos classificadores de AM usados na HCS pode aprimorar os modelos de classificação resultantes. Experimentos preliminares com os datasets usados na HCS revelam indícios de validade da hipótese.