Uma Avaliação do Impacto da Resolução de Dados na Previsão Antecipada de Chuva para Mitigação de Falhas em Redes

Chuvas podem interromper a disponibilidade de serviços de telecomunicações ao danificar cabos de fibra ótica e provocar falhas em enlaces de rádio. A recuperação do serviço pode ser lenta e complexa, afetando por longos períodos residências, empresas e prestadores de serviços essenciais. A previsão de eventos climáticos permite antecipar medidas preventivas para evitar as interrupções. As redes neurais têm se mostrado promissoras para prever esses eventos, mas o custo de treinamento tende a ser elevado. Este artigo avalia o desempenho de uma Rede Neural Recorrente (Recurrent Neural Network- RNN) para prever o volume de chuva a partir de dados em diversas resoluções temporais usados para treinar o modelo. Avalia-se o impacto das resoluções na eficiência do modelo a partir do erro médio absoluto e da raiz do erro quadrático médio. Os resultados mostram que resoluções menores são mais eficientes. A resolução de 8 dias se destaca com baixo tempo de treinamento, baixo erro e melhor adaptação aos pontos discrepantes que representam chuvas fortes, além de permitir o planejamento de ações para mitigar os efeitos nocivos do evento climático na rede.