JSJosé Airton Azevedo dos Santos

José Airton Azevedo dos Santos

*This is an algorithmically generated author record based on publicly available information.

Current Organizations / Institutes

The organizations/institutes from the scholar's latest article


José Airton Azevedo dos Santos has a total of 79 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • Previsão de temperatura de um módulo fotovoltaico: um estudo de caso utilizando dados climáticos da região oeste paranaense

    by José Airton Azevedo dos Santos Azevedo dos Santos

    A temperatura de operação dos módulos fotovoltaicos é um fator crítico que impacta diretamente a eficiência da conversão de energia. Seu comportamento térmico é dinâmico e governado pelas condições meteorológicas locais, uma vez que a irradiância solar, a temperatura ambiente e a velocidade do vento determinam, em conjunto, o balanço térmico do sistema. Neste contexto, este trabalho analisa, utilizando dados climáticos locais, o desempenho dos algoritmos XGBoost (eXtreme Gradient Boosting) e ElasticNet (Elastic Net Regression) na previsão da temperatura de um módulo fotovoltaico. Esta análise de desempenho baseou-se em dados medidos, no período entre janeiro de 2024 e janeiro de 2025, por uma estação solarimétrica instalada no campus da Universidade Tecnológica Federal do Paraná (UTFPR). A base de dados, com 307308 observações, é formada por 6 variáveis (Tempo (Time), Irradiação Solar (RS), Velocidade do Vento (VV), Temperatura Ambiente (TA), Umidade Relativa (UA) e Temperatura do Módulo (TP). A biblioteca Optuna foi utilizada para os ajustes dos hiperparâmetros dos modelos. As métricas R2, MAE e RMSE foram utilizadas para avaliar o desempenho dos dois modelos. Resultados experimentais demonstraram o melhor desempenho estatístico do modelo XGBoost (p < 0,001 - Teste de Wilcoxon (two-sided)). A integração com a técnica SHAP (Shapley Additive exPlanations) revelou que a temperatura ambiente e a irradiância solar, na região Oeste do Paraná, são os principais condicionantes climáticos da temperatura operacional dos módulos fotovoltaicos.

  • Open Access

    Previsão do preço do leite no estado do Paraná: um estudo de caso utilizando ATTENTION-BiLSTM-CNN

    by José Airton Azevedo dos Santos

    A necessidade de decisões estratégicas por parte do produtor de leite, dada a volatilidade do preço do produto, gera demanda por ferramentas de previsão que aprimorem a gestão. Neste contexto, este trabalho tem como objetivo propor a utilização da rede híbrida Attention-BiLSTM-CNN para previsão, no estado do Paraná, do preço médio pago ao produtor de leite (R$/litro). A base de dados, disponibilizada pelo Instituto de Pesquisa Econômica Aplicada (Ipea), apresenta uma série histórica do preço médio pago ao produtor, abrangendo o período de janeiro de 2000 a julho de 2025. Modelos de previsão Attention-BiLSTM-CNN, BiLSTM-CNN, BiLSTM e SARIMA foram implementados na linguagem de programação Python. Os resultados de previsão dos quatro modelos foram comparados com base nas métricas MAE, RMSE e MAPE. Verificou-se, para um horizonte de 12 meses, que o modelo proposto apresentou o melhor desempenho de previsão (MAE=0.086 R$/litro, RMSE=0.108 R$/litro e MAPE=3%).

  • Open Access

    Gestão preditiva dos custos de alimentação de suínos utilizando redes neurais híbridas CNN-LSTM

    by Aldino Normelio Brun Polo, José Airton Azevedo Dos Santos

    O custo com alimentação é o fator que mais influencia o custo total de produção de suínos. Para o produtor, na gestão do seu negócio, a previsão desse custo é fundamental. Neste contexto, este trabalho propõe a utilização da rede CNN-LSTM (Convolutional Neural Network - Long Short Term Memory) multivariada para previsão do custo da ração para alimentação de suínos no estado do Paraná. A base de dados é formada, no período de janeiro/2007 a maio/2024, por séries mensais do custo da ração, do preço do farelo de soja e do preço do milho. Modelos de previsão univariados e multivariados foram implementados, na linguagem Python, utilizando o framework Keras. Resultados de modelos de previsão CNN-LSTM e LSTM, em suas versões univariada e multivariada, foram comparados por meio das métricas MAE (Mean Absolute Error), RMSE (Root Mean Squared Error) e MAPE (Mean Absolute Percentage Error). Verificou-se, para um horizonte de 12 meses, que o modelo CNN-LSTM multivariado apresentou o melhor desempenho (MAE=0,1 R$/kg, RMSE=0,13 R$/kg e MAPE=2,45%).

  • Open Access

    Análise comparativa de métodos e boosting aplicados à recomendação de cultivos agrícolas

    by José Airton Azevedo dos Santos, Dalila Natalia Costa da Luz

    The use of predictive technologies, such as machine learning algorithms, emerges as a viable and efficient alternative to guide crop choices and recommendations. These algorithms improve the accuracy of agronomic decisions and mitigate environmental and economic risks. In this context, this work aimed to compare the performance of the XGBoost (eXtreme Gradient Boosting) and CATBoost (Categorical Boosting) and ADABoost (Adaptive Boosting) models in crop recommendation. A database with 6 different crops, 2 physical parameters, and 9 nutrients was used for this comparison. The XGBoost, CATBoost, and ADABoost models had their hyperparameters optimized using the Optuna library and were evaluated using the Accuracy, Kappa, and f1-score metrics. The results indicate that all three models performed very well in the task of crop recommendation, with high accuracy, Kappa, and f1-score values. RESUMO O emprego de tecnologias preditivas, como algoritmos de machine learning, surge como uma alternativa viável e eficiente para orientar escolhas e recomendações de cultivo. Estes algoritmos aprimoram a precisão das decisões agronômicas e mitigam riscos ambientais e econômicos. Neste contexto, este trabalho teve como objetivo comparar o desempenho, na recomendação de culturas agrícolas, dos modelos XGBoost (eXtreme Gradient Boosting) e CATBoost (Categorical Boosting) e ADABoost (Adaptive Boosting). Utiliza-se, para realizar esta comparação, uma base de dados com 6 diferentes culturas, 2 parâmetros físicos e 9 nutrientes. Os modelos XGBoost CATBoost e ADABoost tiveram seus hiperparâmetros otimizados com o auxilio da biblioteca Optuna e foram avaliados por meio das métricas Accuracy, Kappa e f1-score. Os resultados obtidos indicam que os três modelos apresentaram, na tarefa de recomendação de culturas agrícolas, muito bom desempenho, com valores elevados de acurácia, Kappa e f1-score.

  • Open Access

    Comparação do desempenho dos algoritmos XGBoost e LightGBM na previsão de potência de sistemas fotovoltaicos

    by José Airton Azevedo dos Santos, Dalila Natalia Costa da Luz

    Resumo: Este trabalho tem como objetivo comparar o desempenho, na previsão da potência gerada por dois sistemas fotovoltaicos, dos algoritmos, baseados em boosting, XGBoost (eXtreme Gradient Boosting) e LightGBM (Light Gradient Boosting Machine). A base de dados foi obtida de uma Estação de Pesquisa em Energia Solar (EPESOL). A EPESOL possui dois sistemas distintos de energia solar fotovoltaica: um utiliza silício monocristalino (m-Si) e o outro silício policristalino (p-Si). A base de dados compreende 25235 observações, para cada tecnologia, e inclui as seguintes variáveis: Potência elétrica DC, Temperatura dos módulos, Irradiação solar e Hora do dia. Os hiperparâmetros dos modelos foram otimizados por meio da biblioteca Optuna. Para avaliar o desempenho, dos modelos LightGBM e XGBoost, foram utilizadas as métricas R2, MAE e RMSE. Os resultados obtidos indicaram, para ambos os sistemas fotovoltaicos, uma forte correlação entre valores reais e previstos (R² > 0,96). Este desempenho evidencia a eficácia, dos modelos XGBoost e LightGBM, na previsão da geração de potência em sistemas fotovoltaicos.

  • Petrobras PETR3 stock price forecast: an application of CNN-LSTM neural networks

    by José Airton Azevedo Dos Santos, Leandro De Oliveira

    This work proposes using the CNN-LSTM network to predict the opening price of Petrobras PETR3 stock. The database offers a daily series of PETR3 stock prices between January/2012 and December/2022, totaling 2713 observations. Multivariate prediction models based on the CNN-LSTM (Convolutional Neural Network - Long Short Term Memory), LSTM (Long Short Term Memory), GRU (Gated Recurrent Unit), and CNN (Convolutional Neural Network) networks were implemented in the Python language. Results obtained from the four models were compared using the metrics RSME (Root Mean Squared Error), MAPE (Mean Absolute Percent Error), and MAE (Mean Absolute Error). It was verified for a 30-day horizon that the CNN-LSTM model presented a better performance.

  • Previsão de preço de frango e de suíno vivo: uma comparação entre os modelos Prophet e NeuralProphet

    by Aldino Norbelio Brun Polo, José Airton Azevedo dos Santos, Laércio Mantovani Frare, Dalila Natália Costa da Luz

  • Open Access

    Previsão do Preço do Milho Baseado na Otimização de Hiperparâmetros Optuna e na Rede Neural Cnn-Lstm

    by Dalila Natalia Costa Luz, José Airton Azevedo dos Santos

    Previsão do Preço do Milho Baseado na Otimização de Hiperparâmetros Optuna e na Rede Neural Cnn-Lstm / Maize Price Forecasting Based on Optuna Hyperparameter Optimization and Cnn-Lstm Neural Network

  • Open Access

    Influência da Região de Plantio no Rendimento Médio do Milho: Uma Abordagem Estatística

    by Dalila Natalia Costa da Luz, Dayerling del Carmen Pérez Suárez, André Sandmann, José Airton Azevedo dos Santos, Claudio Leones Bazzi, Kelyn Schenatto, Fabiana Costa de Araújo Shutz, Ricardo Sobjak, Mateus Eduardo Staudt, Rosangela Huller Marcilio

    O objetivo deste trabalho é identificar a disposição regional e os resultados do rendimento médio do milho no Brasil no período 2013/23. A produção de milho é a segunda cultura agrícola mais importante no Brasil, seguida da produção de soja, sendo que ambas são as que mais contribuem para a atividade econômica agrícola do país. Nas últimas duas décadas, a produção de milho tem apresentado um crescimento médio de cerca de 4,2% ao ano. As regiões Sudeste e Sul são responsáveis por mais da metade desse crescimento (EMBRAPA, 2019). Já as regiões Norte e Nordeste têm apresentado estabilidade ao longo do tempo. Para o desenvolvimento deste artigo, foram coletados dados históricos do IBGE para o período indicado e processados em diferentes programas estatísticos como o Sisvar e o Past 4. Do ponto de vista da abordagem deste estudo, os dados e resultados são de natureza quantitativa e qualitativa. Um achado relevante da pesquisa reside no desempenho da região Norte, que demonstrou um rendimento médio notavelmente próximo ao do Centro-Oeste. Esse resultado sugere um potencial produtivo significativo na região Norte.

  • Open Access

    PREVISÃO DE PREÇO FUTURO DO CACAU

    by José Airton Azevedo dos Santos, Aldino Normelio Brun Polo, André Sandmann

    Este trabalho tem como objetivo propor a utilização da rede híbrida Stacked BiLSTM-CNN-Attention para previsão do preço mensal do cacau (USD/kg). A rede Stacked BiLSTM-CNN-Attention é baseada na integração das redes BiLSTM (Bidirectional Long Short Term Memory) e CNN (Convolutional Neural Network) com o mecanismo de Atenção (Attention Mechanism). A base de dados apresenta uma série mensal do preço do cacau, no período entre Junho/1993 e Maio/2023, totalizando 360 observações. Modelos de previsão, baseados nos algoritmos Stacked BiLSTM-CNN, Stacked BiLSTM-CNN-Attention e SARIMA (Seasonal Autoregressive Integrated Moving Average), foram implementados na linguagem Python. Resultados obtidos, dos três modelos, foram comparados por meio das métricas RSME (Root Mean Squared Error), MAPE (Mean Absolute Percent Error) e MAE (Mean Absolute Error). Verificou-se, para um horizonte de previsão de seis meses, que o modelo Stacked BiLSTM-CNN-Attention superou os modelos Stacked BiLSTM-CNN e SARIMA, alcançando um MAPE de 0,82%.