Anais Do 14º Simpósio Brasileiro De Automação Inteligente 2019
DOI: 10.17648/sbai-2019-111297
|View full text |Cite
|
Sign up to set email alerts
|

Predição de ações judiciais de consumo de energia não registrado usando a rede LSTM

Abstract: The great number of lawsuits against energy companies has highlighted the difficult problem of identifying and eliminating failures of services in the energy sector. This work proposes a methodology to predict the issue of new lawsuits in the energy sector on a client database and the identification of factors correlated factors. The methodology is divided into 4 stages: (a) data acquisition; (b) feature engineering; (c) feature selection; and (d) classification. The method was performed in a database with mor… Show more

Help me understand this report

Search citation statements

Order By: Relevance

Paper Sections

Select...
1

Citation Types

0
0
0
1

Year Published

2021
2021
2021
2021

Publication Types

Select...
1

Relationship

0
1

Authors

Journals

citations
Cited by 1 publication
(1 citation statement)
references
References 12 publications
0
0
0
1
Order By: Relevance
“…As arquiteturas de redes neurais foram construídas usando como componentes camadas convolucionais 1D (Conv1D) e 2D (Conv2D), camadas totalmente conectadas (fully connected -FC), operadores de max-pooling (MP) e operadores de global max-pooling (GMP) (Goodfellow et al, 2016). Além destes, também foram usadas camadas recorrentes dos tipos long short-term memory (LSTM) (Assis et al, 2019) e bidirectional long short-term memory (BiLSTM) (Graves and Schmidhuber, 2005). A última camada de todos os modelos é totalmente conectada e possui um neurônio para cada sotaque.…”
Section: Arquiteturas De Redes Neuraisunclassified
“…As arquiteturas de redes neurais foram construídas usando como componentes camadas convolucionais 1D (Conv1D) e 2D (Conv2D), camadas totalmente conectadas (fully connected -FC), operadores de max-pooling (MP) e operadores de global max-pooling (GMP) (Goodfellow et al, 2016). Além destes, também foram usadas camadas recorrentes dos tipos long short-term memory (LSTM) (Assis et al, 2019) e bidirectional long short-term memory (BiLSTM) (Graves and Schmidhuber, 2005). A última camada de todos os modelos é totalmente conectada e possui um neurônio para cada sotaque.…”
Section: Arquiteturas De Redes Neuraisunclassified