[pt] Com a entrada do novo modelo do setor elétrico, a previsão do consumo e de faturamento de energia elétrica passou a ter grande importância para as distribuidoras de energia elétrica, pois melhorando sua acertividade as empresas poderão elaborar seus programas de planejamento energético, manutenção e expansão de seu sistema de distribuição e principalmente evitar gastos com multas pelo não atendimento à totalidade de seu mercado consumidor. Para que esta previsão seja feita é necessário que se obtenham, os dados históricos do consumo de energia elétrica, da carga fornecida pela Distribuidora, porém como esses dados são séries multivariadas, isto é, são séries temporais que dependem de outras variáveis exógenas, levou-se em consideração também as séries climáticas (sensação térmica), as econômicas (índices financeiros) e o fator temporal (dias úteis, feriados, finais de semana.....). Este estudo, propõe um método alternativo para previsão de consumo e faturamento de energia elétrica, 15 passos a frente, através do desenvolvimento de um sistema inteligente, chamado SIPEE, baseado em redes neurais MLP multistep e foi desenvolvido para uma Distribuidora de Energia Elétrica que atende a boa parte do mercado consumidor do Estado do Rio de Janeiro, a Light Serviços de Eletricidade S.A.. / [en] When the new model of the electricity sector began to be used, the forecast of consumption and billing of electricity began to have great importance for the electricity distributors, improving their assertiveness as companies can develop their programs for energy planning, maintenance and expansion of its distribution system and particularly to avoid fines for not spending all of his service to the consumer market. For this prediction is made it is necessary to obtain historical data of energy consumption, the load supplied by the distributor, but as these data sets are multivariate, ie, they are time series which depend on other exogenous variables took into account also the series weather (wind chill), economic (financial ratios) and the factor of time (days, holidays, weekends .....). This study proposes an alternative method to forecast sales and consumption of electricity, 15 steps forward, by developing an intelligent system, called SIPEE, MLP neural networks based on multistep and was developed for an Electricity Distributor serving much of the consumer market in the State of Rio de Janeiro, Light Electrical Services SA.

[pt] Esta dissertação teve como objetivo desenvolver uma metodologia e aplicá-la em uma indústria de bebidas, a fim de mensurar o impacto da imprecisão da previsão de demanda nos processos logísticos de gestão de estoque, distribuição física e vendas, demonstrando a importância que a previsão possui no planejamento e na execução dos processos logísticos. Para atingir os objetivos propostos acima, foi realizada uma breve revisão conceitual dos principais métodos de previsão de demanda e de cada um dos três processos logísticos em estudo. Em seguida, foram detalhadas as etapas da metodologia e aplicadas aos dados de 3 depósitos da empresa analisada. Como desdobramento da aplicação da metodologia, foram identificadas oportunidades de melhoria e elaboradas propostas de mudanças para o processo de previsão atual. A aplicação da metodologia e a implementação das alterações propostas permitiu à empresa aumentar o nível de precisão da previsão de demanda de todos os principais SKUs e melhorar a comunicação entre todos os elos da cadeia de valor. Com esta maior precisão da previsão de demanda será possível melhorar a alocação dos recursos físicos e humanos, reduzir os custos operacionais e atingir os requisitos de nível de serviço requeridos pelos clientes. / [en] This thesis has the objective of developing and applying a methodology to measure the impact of demand forecast inaccuracy in the supply chain of a beverage industry, specifically in the inventory management, physical distribution and sales processes. The purpose is to create an awareness of the importance of forecasting area in the logistics planning and execution activities. To achieve these goals, a conceptual review of the major demand forecasting methods and of the three logistics processes under analysis has been made. After that, a methodology was defined and applied to three different warehouse data sets of the company analyzed. As a result of the methodology application, some opportunities for process improvement were identified and some changes were proposed for the current demand forecasting process. The results of methodology application and proposed actions implementation allowed the company to increase the demand forecasting accuracy for the major SKUs and to improve communication among the different links of the supply chain. Based on more accurate forecasts, the company will be able to better allocate physical and human resources, reduce operational costs and achieve the required customer service level.

[pt] O principal objetivo desta dissertação é estudar modelos de previsão da geração eólica utilizando os dados de cinco parques eólicos, mais precisamente comparar o desempenho dos modelos lineares e não lineares. Utilizando a metodologia do modelo não-linear STAR-TREE (Smooth Transition AutoRegression Tree) e comparando com o modelo linear Box e Jenkins através de medidas estatísticas. Basicamente, o modelo STAR-TREE é uma combinação dos modelos STAR (Smooth Transition AutoRegression) e CART (Classification and Regression Tree), realizando assim uma modelagem em árvore onde a transição entre os regimes é feita de forma suave através da função logística e nos nós terminais são ajustados modelos preditivos. Neste estudo será ajustado nos nós terminais um modelo simples constante e também modelos autorregressivos. / [en] The main objective of this dissertation is to study wind generation forecasting models using data from five wind farms, more accurately compare the performance of linear and nonlinear models. Using the methodology of the nonlinear model STAR-TREE (Smooth Transition Autoregression Tree) and compare with the linear model BoxandJenkins through statistical measures. Basically the model STAR-TREE is a combination of models STAR (Smooth Transition Autoregression) and CART (Classification and Regression Tree), thus creating a modeling tree where the transition between regimes is done smoothly through the logistics function and in the terminal nodes are adjusted predictive models. In this study will fit in the terminal nodes, a simple model of constant and a autoregressive models.

[pt] Na previsão de séries temporais, alguns autores supõem que um método de previsão individual (por exemplo, um modelo ARIMA) produz resíduos (ou erros de previsão) semelhantes a um processo de ruído branco (imprevisível). No entanto, principalmente devido às estruturas de autodependência não mapeadas por um método preditivo individual, tal suposição pode ser facilmente violada na prática. Esta tese propõe um Previsor Híbrido Wavelet (PHW) que integra as seguintes técnicas: decomposição wavelet; modelos ARIMA; redes neurais artificiais (RNAs); combinação de previsões; programação matemática não linear e amostrador Bootstrap. Em termos gerais, o PHW proposto aqui é capaz de capturar, ao mesmo tempo, estruturas com autodependência linear por meio de uma combinação linear wavelet (CLW) de modelos ARIMA, (cujo ajuste numérico ótimo ocorre por programação matemática não linear) e não linear (usando uma RNA wavelet automática) exibidas pela série de tempo a ser predita. Diferentemente de outras abordagens híbridas existentes na literatura, as previsões híbridas produzidas pela PHW proposto levam em conta implicitamente, através da abordagem de decomposição wavelet, as informações oriundas da frequência espectral presentes na série temporal subjacente. Os resultados estatísticos mostram que a metodologia híbrida supracitada alcançou ganhos de precisão relevantes no processo preditivo de quatro séries de tempo diferentes bem conhecidas, quando se compara com outras meteorologistas competitivas. / [en] In time series analysis some authors presume that a single model (an ARIMA for instance) may yield white noise errors. However that assumption can be easily violated, especially in scenarios where unmapped auto dependency structures are present inside the series. With that being said, this thesis proposes a new approach called Hybrid Wavelet Predictor (HWP) which integrates the following techniques: Wavelet Decomposition, ARIMA models, Neural Networks (NN), Combined Prediction, Non-linear mathematical programming and Bootstrap Sampling. In a broad sense, the proposed HWP is able to capture not only the linear auto-dependent structures from ARIMA using linear wavelet combination (where its optimal numerical adjustment is made through non-linear mathematical programming), but also the non-linear structures by using Neural Network. Differently from others hybrid approaches known to date, the hybrid predictions given by HWP model take into account. Statistical tests show that the hybrid approach stated above increased the prediction s effectiveness by a significant amount when compared with four well known processes.

[pt] A série temporal é a representação mais comum para a evoluçãao no tempo de uma variável qualquer. Em um problema de previsão de séries temporais, procura-se ajustar um modelo para obter valores futuros da série, supondo que as informações necessárias para tal se encontram no próprio histórico da série. Como os fenômenos representados pelas séries temporais nem sempre existem de maneira isolada, pode-se enriquecer o modelo com os valores históricos de outras séries temporais relacionadas. A estrutura formada por diversas séries de mesmo intervalo e dimensão ocorrendo paralelamente é denominada série temporal multivariada. Esta dissertação propõe uma metodologia de geração de um Sistema de Inferência Fuzzy (SIF) para previsão de séries temporais multivariadas a partir de dados históricos, com o objetivo de obter bom desempenho tanto em termos de acurácia de previsão como no quesito interpretabilidade da base de regras – com o intuito de extrair conhecimento sobre o relacionamento entre as séries. Para tal, são abordados diversos aspectos relativos ao funcionamento e à construção de um SIF, levando em conta a sua complexidade e claridade semântica. O modelo é avaliado por meio de sua aplicação em séries temporais multivariadas da base completa da competição M3, comparandose a sua acurácia com as dos métodos participantes. Além disso, através de dois estudos de caso com dados reais públicos, suas possibilidades de extração de conhecimento são exploradas por meio de dois estudos de caso construídos a partir de dados reais. Os resultados confirmam a capacidade do AutoMFIS de modelar de maneira satisfatória séries temporais multivariadas e de extrair conhecimento da base de dados. / [en] A time series is the most commonly used representation for the evolution of a given variable over time. In a time series forecasting problem, a model aims at predicting the series future values, assuming that all information needed to do so is contained in the series past behavior. Since the phenomena described by the time series does not always exist in isolation, it is possible to enhance the model with historical data from other related time series. The structure formed by several different time series occurring in parallel, each featuring the same interval and dimension, is called a multivariate time series. This dissertation proposes a methodology for the generation of a Fuzzy Inference System (FIS) for multivariate time series forecasting from historical data, aiming at good performance in both forecasting accuracy and rule base interpretability – in order to extract knowledge about the relationship between the modeled time series. Several aspects related to the operation and construction of such a FIS are investigated regarding complexity and semantic clarity. The model is evaluated by applying it to multivariate time series obtained from the complete M3 competition database and by comparing it to other methods in terms of accuracy. In addition knowledge extraction possibilities are explored through two case studies built from actual data. Results confirm that AutoMFIS is indeed capable of modeling time series behaviors in a satisfactory way and of extractig meaningful knowldege from the databases.

[pt] Os estudos de modelos de previsão de falência tiveram seu início há quase 90 anos, sempre com o intuito de ser uma ferramenta de gestão útil para analistas e gestores das empresas. Embora as primeiras pesquisas sejam antigas, o assunto continua atual. Diversos setores da economia passaram, ou passam, por crises ao longo do tempo e não foi diferente para a indústria de aviação. Nesse contexto, o presente trabalho usou dados históricos de indicadores financeiros das empresas aéreas americanas de um período de três décadas para elaborar quatro modelos de previsão de falência e comparar suas performances preditivas com o Modelo Z-Score. Todas as elaborações foram calibragens do Modelo Z-Score, usando técnicas de simulação e estatística. Duas usaram Análise Discriminante Múltipla (MDA) e duas utilizaram Bootstrap junto com MDA. Um par de cada método utilizou as variáveis originais do Modelo Z-Score e o outro par apresentou sugestão de novo conjunto de variáveis. Os resultados mostraram que o modelo de previsão mais preciso, com 75,0 porcento de acerto na amostra In-Sample e 79,2 porcento na Out-of-Sample, utilizou o conjunto original de variáveis e as técnicas Bootstrap e MDA. / [en] Studies of bankruptcy prediction models started almost 90 years ago, with the intention of being a useful management tool for analysts and managers. Although the first researches are ancient, the subject remains current. Several sectors of the economy have experienced, or are experiencing, crises over time and the aviation industry is no exception. In this context, the present work used historical data of financial indicators of American airlines over a period of three decades to develop four models of bankruptcy forecast and compared their predictive performances with the Z-Score Model. All proposed models were calibrations of the Z-Score model, using simulation and statistical techniques. Two models were generated using Discriminant Analyzes Multiple (MDA) and two using Bootstrap along with MDA. A pair of each method used the original variables of the model s Z-Score and the other pair presented a novel set of variables. Results showed that the most accurate forecasting model, with 75.0 percent accuracy in-sample and 79.2 percent out-of-sample, used the original variables of the model s Z-Score and the Bootstrap e MDA techniques.

[pt] Esta dissertação investiga a utilização de um sistema Neuro-Fuzzy Hierárquico para previsão de séries e a extração de regras fuzzy em aplicações de Mineração de Dados. O objetivo do trabalho foi estender o modelo Neuro- Fuzzy Hierárquico BSP para a classificação de registros e a previsão de séries temporais. O processo de classificação de registros no contexto de Mineração de Dados consiste na extração de regras de associação que melhor caracterizem, através de sua acurácia e abrangência, um determinado grupo de registros de um banco de dados (BD). A previsão de séries temporais, outra tarefa comum em Mineração de Dados tem como objetivo prever o comportamento de uma série temporal no instante t+k (k ? 1).O trabalho consistiu de 5 etapas principais: elaborar um survey dos principais sistemas e modelos mais utilizados nas aplicações de Mineração de Dados; avaliar o desempenho do sistema NFHB original em aplicações de Mineração de Dados; desenvolver uma extensão do modelo NFHB dedicado à classificação de registros em uma BD; desenvolver um novo modelo híbrido Neuro-Fuzzy Genético para o ajuste automático dos parâmetros do sistema dedicado a previsão de séries temporais; e o estudo dos casos. O estudo da área resultou num survey sobre os principais modelos para Mineração de Dados. São apresentados os modelos mais utilizados em tarefas de classificação e extração de regras tais como: redes neurais, árvores de decisão crisp e fuzzy, algoritmos genéticos, estatística e sistemas neuro-fuzzy. Na etapa de avaliação do modelo NFHB original, foi verificado que além do tradicional aprendizado dos parâmetros, comuns às redes neurais e aos sistemas neuro-fuzzy, o modelo possui as seguintes aracterísticas: aprendizado da estrutura, a partir do uso de particionamentos recursivos; número maior de entradas que o habitualmente encontrado nos sistemas neuro-fuzzy; e regras com hierarquia, características adequadas para as aplicações de Mineração de Dados. Entretanto, o processo de extração de regras e a seleção de atributos não são adequados para este tipo de aplicação, assim como a excessiva complexidade da parametrização do modelo para aplicações de previsão de séries temporais. Uma extensão ao modelo NFHB original foi então proposta para aplicações de classificação de registros no contexto da Mineração de Dados onde se têm como objetivo principal a extração de informação em forma de regras interpretáveis. Foi necessário modificar a seleção de atributos e o processo original de extração de regras. O sistema fuzzy do tipo Takagi-Sugeno do modelo NFHB original fornece regras inadequadas do ponto de vista da Mineração de Dados. O novo modelo NFHB, dotado das modificações necessárias, mostrou um ótimo desempenho na extração de regras fuzzy válidas que descrevem a informação contida no banco de dados. As medidas de avaliação normalmente usadas para analisar regras crisp (Se x1 é <14.3 e...), como abrangência e acurácia, foram modificadas para poderem ser aplicadas ao caso de avaliação das regras fuzzy (Se x1 é Baixo e..) extraídas pelo sistema NFHB após da fase de aprendizado. A quantidade e a qualidade das regras extraídas é um ponto fundamental dos sistemas voltados para aplicações de Mineração de Dados, que buscam sempre obter o menor número de regras e da maior qualidade possível. Nesse sentido, o processo de seleção das características de entrada foi alterado para evitar particionamentos excessivos, ou seja regras desnecessárias. Foram implementadas duas estratégias de seleção (Fixa e Adaptativa) em função de diferentes medidas de avaliação como a Entropia e o método de Jang. Um novo modelo híbrido neuro-fuzzy genético para previsão de séries temporais foi criado para resolver o problema da excessiva complexidade de parametrização do sistema, o qual conta com mais de 15 parâmetros.Foi proposto um novo modelo híbrido neuro-fuzzy genético capaz de evoluir e obter um conjunto de parâmetros adequado par / [en] This dissertation investigates the use of a Neuro-Fuzzy Hierarchical system for time series forecasting and fuzzy rule extraction for Data Mining applications. The objective of this work was to extend the Neuro-Fuzzy BSP Hierarchical model for the classification of registers and time series forecasting. The process of classification of registers in the Data Mining context consists of extracting association rules that best characterise, through its accuracy and coverage measures, a certain group of registers of database (DB). The time series forecasting other common task in Data Mining, has a main objective to foresee the behavior of a time series in the instant t+k (k>=1). The work consisted of 5 main stages: to elaborate a survey of the main systems and the most common models in Data Mining applications; to evaluate the performance of the original NFHB system in Data Mining applicatons; to develop an extension of the NFHB model dedicated to the classification of registers in a DB; to develop a new Neuro-Fuzzy Genetic hybrid model for the automatic adjustment of the parameters of the system for time series forecasting applicatons; and the case estudies. The study of the area resulted in a survey of the main Data Mining models. The most common methods used in Data Mining application are presented such as: neural nets, crisp and fuzzy decision trees, genetic algorithms, statistics and neuro-fuzzy systems. In the stage of evaluation of the original NFHB model, it verified that besides the traditional learning of the parameters, common to the neural nets and the neuro-fuzzy systems, the model possesses the following characteristics: learning of the structure; recursive partitioning; larger number of inputs than usually found on the neuro-fuzzy systems; rule with hierarchy; which are characteristics adapted for Data Mining applications. However the rule extraction process and attributes selection are not appropriate for this type of applications, as well as the excessive complexity of the tuning of the model for time series forecasting applicatons. An extension of the original NFHB model was then proposed for applicatons of classification of registers in the Data Mining context, where the main objective in the extraction of information in form of interpratable rules. It was necessary to modify the attributes selection and the original rule extraction process. The Takagi-Sugeno fuzzy system of the original NFHB model supplies inadequate rules, from the Data Mining point of view. The new NFHB models, endowed with necessary modifications, showed good performance in extracting valid fuzzy rules that describe the information contained in the database. The evaluation metrics, usually used to analyse crips rules (If x1 is <14.3 and), as coverage and accuracy, were modified to be applied to the evaluation of the fuzzy rules (If x1 is Low and) extracted from the NFHB system after the learning process. The amount and quality of the extracted rules are important points of the systems dedicated for Data Mining applicatons, where the target is to obtain the smallest number of rules and of the best quality. In that sense, the input selection strategies were implemented (Static and Adaptive), using different evaluation measures as Entropy and the jang algorithm. A new genetic neuro-fuzzy hybrid model for time series forecasting was created to solve the problem of the excessive complexity of the model tuning, which comprises more than 15 parameters. A new model wes proposed, a genetic neuro-fuzzy hybrid, model capable to develop and to obtain an appropriate set of parameters for the forecasting of time series. The new hybrid, model capable to develop and to obtain an appropriate set of parameters for the forecasting of time series. The new hybrid model presented good results with different types of series. A tool based on the NFHB model was developed for classification and forecasting applications. Th

[pt] O tempo não produtivo (NPT) durante a perfuração de poços de petróleo pode ser responsável pela perda de milhões de dólares em atividades offshore. A má previsão da pressão de poros pode ser uma das responsáveis pelo NPT de um poço ou mesmo sua perda definitiva em campos geologicamente complexos, como em bacias evaporíticas. Nesses campos complexos, os métodos de previsão de pressão de poros convencionais nem sempre são capazes de prever bem a distribuição de pressão de poros, mesmo após a perfuração de número considerável de poços. Este trabalho estuda técnicas alternativas que atendam ao problema de previsão de pressão para esses casos. Para fundamentar os estudos, é apresentada uma revisão sobre os riscos associados à perfuração em bacias evaporíticas e sobre os métodos de previsão de pressão existentes (métodos convencionais, sísmicos, modelagem geológica geomecânica 3D, modelagem pelo método dos elementos finitos e modelagem de bacias). Avaliando os problemas de perfuração nestes campos e as dificuldades de previsão dos métodos convencionais, nota-se que a complexidade imposta pelas consequências da presença do sal pode ser reduzida pelo uso de métodos que considerem a geologia local de forma mais abrangente em seu fluxo de trabalho. Concluiu-se que a modelagem de bacias e a modelagem geológica geomecânica 3D têm forte potencial de aplicação para estes casos. As técnicas, contudo, não tem a previsão de pressão de poros por objetivo principal, mas podem ser aplicadas ou adaptadas para tal fim. Este estudo apresenta adaptações de metodologia e/ou aplicações direcionadas de ambas para fins de previsão de pressão de poros. Para validar as propostas apresentadas, estudos de caso foram desenvolvidos e apresentaram resultados considerados bastante satisfatórios. / [en] The non-productive time (NPT) while drilling oil and gas wells may be responsible for losing millions of dollars, especially in offshore activities. Bad pore pressure predictions may be responsible for large NPT or even the definitive loss of well in geologically complex fields, such as evaporate basins. On these complex fields, the conventional pore pressure prediction methods sometimes are not capable of providing good predictions, even if a considerable number of wells has been already drilled. This thesis studies alternative techniques which may attend for pore pressure prediction in these cases. In order to develop a consistent knowledge about the case, a literature review has been conducted in two ways: to understand what are the risks associated to drilling in evaporate basins; to review what are the available methods for pore pressure prediction (conventional methods, seismic methods, 3D geological and geomechanical modeling, finite element methods and basin modeling). During analyzing geomechanical drilling risks in these sites, and the difficulties found by conventional methods to predict it, it was noted that the complexity imposed by the presence of salt bodies can be reduced by using methods that make a strong use of geological knowledge on their workflow. It has been concluded that basin modeling and 3D geological and geomechanical modeling have a good potential to be applied for this goal. The techniques, nevertheless, do not have pore pressure prediction as their main goal, but can be applied to or adapted for such finality. This work presents some methodology adaptations and/or applications of both of techniques directed to pore pressure prediction goals. In order to validate the presented proposals, case studies has been developed, and their results were considered satisfactory.

[pt] Tão expressiva quanto a curva de crescimento do número de matrículas nas instituições de ensino superior (IES) privadas nos últimos anos é a respectiva curva da inadimplência, cujo aumento pode ser explicado, principalmente, pelo aprofundamento da crise econômica no país e pela redução do número de vagas ofertadas pelo FIES. A inadimplência apresenta-se como um desafio à gestão financeira das instituições de ensino, uma vez que impacta os seus custos operacionais e acaba sendo repassada aos alunos sob forma de aumento de mensalidade. Além disso, a evasão estudantil é também uma das principais consequências da inadimplência, à medida que alunos com dificuldades financeiras acabam por abandonar seus cursos, representando para as instituições de ensino não só uma perda econômica, como também acadêmica e social. As IES, em sua maioria, não utilizam qualquer tipo de técnica de credit scoring para prever o risco de seus alunos se tornarem inadimplentes. Nesse sentido, este trabalho apresenta uma metodologia quantitativa para previsão de risco de inadimplência de alunos ativos. Baseado em dados históricos de alunos que estavam inadimplentes ou adimplentes, modelos gerados por algoritmos de machine learning foram estimados e comparados. Por fim, os resultados obtidos evidenciaram a relação entre a inadimplência e a variação do valor pago ao longo dos semestres analisados, quantidade média de disciplinas cursadas, natureza empregatícia ao aluno e existência de débitos em semestres anteriores. Com a aplicação dos modelos propostos, as IES seriam capazes de identificar alunos com maior risco de inadimplência e planejar ações preventivas específicas para este grupo. / [en] As impressive as the growth rate in the number of enrollments in private higher education institutions in recent years is the increase in the related default rate, driven by the deepening economic crisis in Brazil and by the reduction of the number of vacancies offered by the FIES. Default presents itself as a challenge to the financial management of educational institutions, since it impacts their operational costs and ends up being passed on to students in the form of an increase in tuition. In addition, student dropout is also one of the main consequences of default, since students with economic difficulties end up abandoning their courses. Most higher education institutions do not use any type of credit scoring analysis to predict the risk of their students becoming defaulters, failing to understand which factors cause it, and, therefore, refraining from planning preventive actions. Therefore, this study presents a quantitative methodology to predict the default risk of active students. Models generated by machine learning algorithms were analyzed based on a historical database of students who were in or not in default. The results showed a relationship between default and economic, academic and social characteristics of students. Thus, by employing models such as the ones proposed, higher education institutions should be able to identify those students who are at higher risk of defaulting and take specific preventive actions to prevent such an outcome.

[pt] Uma mudança de paradigma no mundo todo foi ocasionada pelo aumento da preocupação quanto ao uso de combustíveis fósseis usados como principal fonte de geração elétrica, a correspondente mudança climática e os danos ambientais crescentes. Nos últimos anos, a energia eólica apresentou um crescimento incessante como alternativa sustentável para a produção de eletricidade, o que pode ser observado a partir do crescimento de sua capacidade instalada mundialmente. O Brasil está entre os dez países que tem as maiores capacidades instaladas, e apresentou 9,42 por cento de geração de energia elétrica advinda da fonte eólica em 2019. No entanto, a aleatoriedade e a intermitência do vento são os maiores desafios na integração dessa fonte no sistema de energia. Diante deste contexto, esta pesquisa propõe a aplicação da técnica Singular Spectrum Analysis (SSA) como método de previsão para uma série de velocidade eólica no Brasil, fazendo uma análise comparativa de modelos SSA considerando diferentes horizontes de previsão e conjunto de treinamento para diferentes dias de previsão, com diferentes tamanhos de série temporal. Deste modo, é comparada a série temporal do ano todo com somente o último mês desta série para prever os últimos sete dias do mês de dezembro. Os resultados dessa aplicação mostram que para a maioria dos dias a utilização do ano todo como conjunto de treinamento obteve melhor desempenho, indicando que o uso da técnica SSA pode ser uma alternativa para séries temporais com uma grande quantidade de dados. / [en] A paradigm shift around the world was caused by increased concern about the use of fossil fuels used as the main source of electricity generation, the corresponding climate change and increasing environmental damage. In recent years, wind energy has shown steady growth as a sustainable alternative for electricity production, which can be seen from the growth of its installed capacity worldwide. Brazil is among the ten countries that have the largest installed capacities, and presented 9.42 percent of electricity generation from the wind source in the last year. However, wind randomness and intermittency are the biggest challenges in integrating this source into the energy system. In this context, this research proposes the application of the Singular Spectrum Analysis (SSA) technique as a forecast method for a series of wind speed in Brazil, making a comparative analysis of SSA models considering different forecast horizons and training set for different days forecast, with different time series sizes. In this way, the time series of the whole year is compared with only the last month of this series to forecast the last seven days of the month of December. The results of this application show that for most days the use of the whole year as a training set obtained better performance, indicating that the use of the SSA technique can be an alternative for time series with a large amount of data.