Logo do repositório

Mestrados da ESGTS

URI permanente desta comunidade:

http://hdl.handle.net/10400.15/2696

Navegar

Percorrer Mestrados da ESGTS por Domínios Científicos e Tecnológicos (FOS) "Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática"

A mostrar 1 - 2 de 2
  • Classificação de Perigos Rodoviários com Recurso a Dados de Acelerómetros:Um Estudo Comparativo entre Abordagens de Aprendizagem Automática Clássica e Aprendizagem Profunda
    Publication . Moutinho, Joana Barreira Pardal; Madeira, Filipe; Pires, Ivan Miguel Serrano; Velez, Fernando José da Silva
    A classificação automática de perigos rodoviários, como buracos e lombas, com base em dados de acelerómetro constitui uma solução de baixo custo para a monitorização de infraestruturas viárias. Comparam-se abordagens de aprendizagem automática clássica e de aprendizagem profunda, recorrendo a três conjuntos de dados públicos integrados num fluxo unificado de pré-processamento e extração de características. Foram avaliados nove modelos clássicos e três arquiteturas profundas, com métricas sensíveis ao desequilíbrio entre classes. A 1D CNN alcançou o melhor desempenho global (F1 macro = 0.5108; exatidão balanceada = 0.6143), revelando maior capacidade na deteção de buracos, enquanto os modelos clássicos baseados em ensembles de árvores se mostraram competitivos na deteção de lombas, com custo computacional inferior. O desequilíbrio entre classes manteve-se um desafio significativo. A aprendizagem profunda demonstra vantagens na extração automática de padrões, mas os modelos clássicos continuam relevantes onde a interpretabilidade e a eficiência computacional são prioritárias.
    2026-07-26Dissertação de mestrado Acesso aberto Ver mais
  • A Leakage-Aware Benchmark of Hourly Bitcoin Return Forecasting:Naive, Statistical, and Machine Learning Models under Walk-Forward Validation
    Publication . Timotin, Vasile; Sobreiro, Pedro Nuno de Alexandre; Madeira, Filipe
    This dissertation evaluates whether machine-learning models reliably forecast hourly Bitcoin returns under a reproducible protocol that prevents future information from leaking into training. The data comprise hourly Bitcoin prices, trading volumes and technical indicators from the Binance exchange, from August 2017 to January 2025, together with external variables for the periods with sufficient coverage. Seven models were compared — two naive benchmarks, a linear regression, a random forest, two classical time-series models and a recurrent neural network — at horizons of 1, 6 and 24 hours, using walk forward validation with 24-hour purge gaps across 53 segments of the final year of the sample. No model outperformed a zero-return forecast in mean absolute error, and the gap to the closest challenger, the linear regression, was not statistically significant. The contribution is methodological: it proposes a reproducible evaluation protocol and shows that the predictive gains reported under permissive validation do not survive rigorous testing.
    2026-07-30Dissertação de mestrado Acesso aberto Ver mais