CONCLUSÕES E SUGESTÕES DE TRABALHOS FUTUROS

CONCLUSÕES E SUGESTÕES DE TRABALHOS FUTUROS

        

O presente trabalho expõe um modelo de Sistema Inteligência Artificial – SIA com a finalidade de detecção de fraudes e possíveis furtos na rede de energia elétrica. O algoritmo foi embasado no Clonalg para ser utilizar dados oriundos dos consumidores. A Companhia Estadual de Distribuição de Energia Elétrica forneceu os dados que foram utilizados no algoritmo, mediante adaptação nos dados. A análise dos resultados se deu a partir de perguntas listadas antes de avaliar o resultado do SIA. É importante lembrar que este trabalho se difere de outros por não empregar apenas a acurácia, pois a mesma pode ser equivocada dependendo do problema a ser predito. Este algoritmo terá a função de classificar os consumidores da rede energética em honestos ou não, possuindo uma alta taxa de acurácia. Em analogia à outros algoritmos, também de classificação, o SAI obteve melhor êxito no quesito medida-F, mostrando-se balanceamento exemplar entre recall e precisão, porém comparando recall e precisão de forma independente o SIA fica em terceiro lugar em todos os casos. É de bom proveito lembrar também que os algoritmos de natureza classificatória oferecem bons resultados, porém é imprescindível a correta parametrização desses resultados, pedindo assim análises individuais das técnicas utilizadas.

O presente trabalho abre novos caminhos a serem trabalhados, como outras medidas de distância para dados categóricos, e da distância de Hamming, que foi usado neste trabalho. Os estudos de Boriah, Chandola e Kumar (2008) faz comparações entre as diversas medidas de distância para dados categóricos, outro ponto que poderia ser otimizado é o do histórico de consumo.

No presente trabalho, o histórico de consumo de cada consumidor foi usado de maneiro simples, apenas o valor da oscilação do uso da energia entre a média dos três primeiros meses e a dos três últimos meses, o valor do uso energético muda de acordo com o tempo, sendo assim chamado de temporal. Um ponto a ser analisado ao se trabalhar com séries temporais é a redução da sua dimensionalidade através técnicas existentes. O estudo de Sanches (2006) compara diferentes técnicas de redução de dimensionalidade, para este trabalho e problema abordado, o mais eficaz é o de Pontos Perceptualmente Importantes – PIP (Perceptually Important Points). Outro problema a ser analisado é a forma de comparar os históricos de consumo de diferentes tamanhos, pois o consumidor podem ser recém-ingresso ou muito antigo.

Este trabalho traz a reflexão da dificuldade de parametrização dos diferentes algoritmos de classificação, com cada técnica possuindo sua própria miríade de parâmetros, porém a mudança desses parâmetros exige aprofundamento especifico no algoritmo. Analisando do ponto de vista final, os algoritmos devem ficar restritos a apenas dois parâmetros, sendo o primeiro a indicação do compromisso do algoritmo entre precisão e recall, já o segundo parâmetro indica a quantidade de recursos computacionais a serem consumidos pelo algoritmo. Esses dois pontos respondem à necessidade de padronizar os parâmetros, mas ainda é necessário estudo para saber se tais parâmetros são aplicáveis a todas as ocasiões.

...