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 more than fifty thousand consumers and shows to be robust in the task of identifying the unregistered power consumption lawsuits prediction by achieved an accuracy of 92.89%; specificity of 94.27%; sensitivity of 88.79%; and precision of 83.84%. Thus, we demonstrate the feasibility of using LSTM to solve the problem of unregistered power consumption lawsuits prediction. Resumo: O grande número de ações judiciais contra empresas de distribuição de energia destaca o difícil problema de identificar e solucionar falhas de serviços neste setor. Este trabalho propõe uma metodologia para identificar novas ações judiciais no setor de energia baseado em informações do relacionamento cliente com a companhia, além da identificação de fatores correlacionados. A metodologiaé basicamente dividida em 4 etapas: (a) aquisição de dados; (b) engenharia de características; (c) seleção de características; e (d) classificação usando LSTM. O método foi realizado em um banco de dados com mais de cinquenta mil consumidores e mostra-se robusto na tarefa de identificar a predição de ações judiciais de consumo de energia não registrada por meio de uma acurácia de 92,89%; especificidade de 94,27%; sensibilidade de 88,79%; e precisão de 83,84%. Assim, demonstra-se a viabilidade de usar o LSTM para resolver o problema da predição de processos judiciais de consumo de energia não registrados.

Classificação de Sotaques Brasileiros usando Redes Neurais Profundas

“…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.…”