Bloqueios em redes de telefonia é um problema que consiste na recusa da conexão entre um aparelho telefônico e uma célula responsável pela emissão do sinal. A ocorrência de bloqueios é um indicador de que a célula está próxima de sofrer um congestionamento, o que pode gerar perdas financeiras para as empresas de telefonia. Neste trabalho, foram desenvolvidos dois sistemas de previsão usando redes neurais MLPs (Multi Layer Perceptron) e seguindo as estratégias conhecidas como Direta e DirRec. Para realizar o treinamento e teste das redes MLPs, foram utilizados dados reais contendo históricos de taxa de bloqueios em células de tecnologia 3G. As etapas do desenvolvimento consistiram na análise do desempenho das redes variando o número de neurônios nas camadas ocultas e o número de passos previstos. Os dois sistemas, Direto e DirRec, apresentaram desempenhos semelhantes, fazendo previsões de curto (15 minutos) e longo (5 horas) prazos com RMSE (Root Mean Squared Error) de aproximadamente 12% e 31%, respectivamente. Porém, o sistema que utilizou a estratégia DirRec se mostrou mais viável por demandar uma quantidade menor de redes MLPs e, desta maneira, ter um treinamento mais simples.

Lançada pelo Governo Federal brasileiro no final de 2002, a plataforma Tesouro Direto possibilita a compra de títulos públicos por pessoas físicas, caracterizando-o como um investimento de renda fixa seguro e mais rentável que a poupança. Considerando as variações que as taxas de juros desses títulos sofrem ao longo do tempo, existe a possibilidade de se obter lucros acima do acordado inicialmente com a compra/venda no momento certo. Assim, este trabalho propõe a utilização de modelos de aprendizado de máquina, mais precisamente das redes neurais MLP, CNN e LSTM, na tentativa de se criar um modelo de previsão das taxas de juros de quatro títulos pós-fixados do Tesouro Direto atrelados ao IPCA. Para isso, foram analisadas e definidas algumas features (características) da economia brasileira que poderiam impactar mais diretamente nas taxas do Tesouro Direto. Simulações computacionais foram realizadas com variações de presença dessas características nos conjuntos de dados para que o melhor modelo de previsão fosse identificado. Ao final, concluiu-se que a CNN apresenta um melhor resultado geral, mesmo se mostrando mais sensível à remoção de features. Em contrapartida, a MLP apresenta erros quase constantes, independentemente da variável que está sendo removida. Além disso, descobriu-se que o CDI, importante métrica de investimentos, impacta de forma negativa a capacidade de previsão dos modelos, devido a sua proximidade de valor com a taxa Selic.