@inproceedings{daSilva2025ModelosSupervisionados,

title = {Modelos Supervisionados para Previs\~{a}o de Atrasos em Voos: Impacto da SMOTE no Aprendizado},

author = {Lucas Almeida Soares Silva and Ramiro de Paiva Fagundes and Bruno Santos Luiz and Camile da Costa Ramos and Daniel Alberto Pamplona and Mateus Habermann},

url = {https://www.sige.ita.br/edicoes-anteriores/2025/TRABALHOS/Artigos-com-ISSN/Modelos Supervisionados para Previs\~{a}o de Atrasos em Voos Impacto do SMOTE no Aprendizado.pdf},

issn = {1983-7402},

year  = {2025},

date = {2025-01-01},

booktitle = {Anais do Simp\'{o}sio de Aplica\c{c}\~{o}es Operacionais em \'{A}reas de Defesa (SIGE)},

pages = {100\textendash105},

address = {S\~{a}o Jos\'{e} dos Campos, Brasil},

organization = {Instituto Tecnol\'{o}gico de Aeron\'{a}utica},

abstract = {Atrasos em voos dom\'{e}sticos no Brasil representam um problema cr\'{i}tico, com severos impactos operacionais e financeiros. Embora o Machine Learning ofere\c{c}a ferramentas para prever esses eventos, o desbalanceamento natural dos dados, onde voos pontuais s\~{a}o a maioria, cria modelos com alto vi\'{e}s, incapazes de identificar as classes minorit\'{a}rias de atraso. Este trabalho aborda essa lacuna ao analisar o impacto da t\'{e}cnica de sobreamostragem SMOTE em tr\^{e}s algoritmos: Regress\~{a}o Log\'{i}stica Ordinal, Decision Tree e Random Forest. Os modelos foram treinados para classificar atrasos em categorias distintas. Os resultados demonstram que, sem o balanceamento, os algoritmos s\~{a}o ineficazes. Ap\'{o}s a aplica\c{c}\~{a}o da SMOTE, a capacidade de prever atrasos aumenta drasticamente, com o Random Forest mostrando o melhor desempenho. O estudo conclui que a SMOTE \'{e} um pr\'{e}-processamento essencial para a utilidade pr\'{a}tica de modelos preditivos no setor a\'{e}reo.},

keywords = {Balanceamento de Classes, Machine Learning, Transporte A\'{e}reo},

pubstate = {published},

tppubtype = {inproceedings}

}

@inproceedings{Fabiano2021Deepb,

title = {Classifica\c{c}\~{a}o de Alvos em Imagens SAR com T\'{e}cnicas de Machine Learning},

author = {Fabiano Gabriel Silva and Bruna Gregory Palm and Renato Machado},

url = {https://www.sige.ita.br/edicoes-anteriores/2021/st/217773_1.pdf},

year  = {2021},

date = {2021-01-01},

booktitle = {Simp\'{o}sio de Aplica\c{c}\~{o}es Operacionais em \'{A}reas de Defesa 2021 (SIGE2021)},

abstract = {Atividades mar\'{i}timas que v\~{a}o desde o transporte de mercadorias at\'{e} a produ\c{c}\~{a}o de petr\'{o}leo e g\'{a}s natural s\~{a}o cada vez mais presentes em \'{a}guas brasileiras. O monitoramento dessas atividades \'{e} de fundamental import\^{a}ncia para coibir a\c{c}˜oes il\'{i}citas ou ilegais. O aumento da disponibilidade de dados de sensoriamento remoto permite que imagens de radar de abertura sint\'{e}tica (SAR - Synthetic Aperture Radar) possam ser explora- das na vigil\^{a}ncia mar\'{i}tima. Este trabalho considera o problema de classifica\c{c}\~{a}o de plataformas de petr\'{o}leo e navios localizados no litoral dos estados do Rio de Janeiro e Esp\'{i}rito Santo. Para o estudo, utilizaram-se imagens SAR com polariza\c{c}\~{a}o VH. Duas t\'{e}cnicas de machine learning foram avaliadas, a saber, Random Forest e K-nearest neighbors, com as quais pode-se obter taxas de acur\'{a}cia de 81,8% e 79,2%, respectivamente.},

keywords = {Deep Learning, Machine Learning, SAR-},

pubstate = {published},

tppubtype = {inproceedings}

}