Publicação
Predicting carbon dioxide emissions until 2030 using conventional forecast techniques and machine learning models
| datacite.subject.fos | Ciências Sociais::Economia e Gestão | pt_PT |
| dc.contributor.advisor | Bertani, Nicolò | |
| dc.contributor.author | Albuquerque, Pedro | |
| dc.date.accessioned | 2024-07-19T14:19:35Z | |
| dc.date.available | 2024-07-19T14:19:35Z | |
| dc.date.issued | 2023-05-03 | |
| dc.date.submitted | 2023-04-05 | |
| dc.description.abstract | This dissertation investigates global carbon dioxide emissions and provides forecasts through 2030 using both conventional forecasting techniques and machine learning methods. Data on emissions by fuel type and renewable sources will be analysed for all continents and Portugal. We find that the Random Forest machine learning model produces more accurate forecasts than the conventional ARIMA. Our findings show that the predicted levels of carbon dioxide emissions on the various continents vary significantly. Emissions are predicted to rise in Asia, South America, and Africa while falling in Europe, North America, Australia, and Portugal. However, none of the continents are on track to reach the 55% reduction target set by the Paris Agreement. North America and Europe are making progress, but still 20% away from the expected values. | pt_PT |
| dc.description.abstract | Esta dissertação estuda as emissões globais de dióxido de carbono e estima previsões até 2030 usando técnicas de previsão convencionais e métodos de aprendizagem automática. Os dados sobre as emissões por tipo de combustível e fontes renováveis serão analisados para todos os continentes e para Portugal. Verificamos que o modelo de aprendizagem automática Random Forest produz previsões mais precisas do que o ARIMA convencional. As previsões feitas mostram que os níveis previstos de emissões de dióxido de carbono nos vários continentes variam significativamente. As emissões devem aumentar na Ásia, América do Sul e África, enquanto diminuem na Europa, América do Norte, Austrália e Portugal. No entanto, nenhum dos continentes está no caminho certo para alcançar a meta de redução de 55% estabelecida pelo Acordo de Paris. América do Norte e Europa estão progredindo, mas ainda estão 20% abaixo dos valores esperados. | pt_PT |
| dc.identifier.tid | 203299795 | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10400.14/45825 | |
| dc.language.iso | eng | pt_PT |
| dc.subject | Carbon dioxide | pt_PT |
| dc.subject | Paris agreement | pt_PT |
| dc.subject | ARIMA | pt_PT |
| dc.subject | Machine learning | pt_PT |
| dc.subject | Acordo de Paris | pt_PT |
| dc.subject | Dióxido de carbono | pt_PT |
| dc.title | Predicting carbon dioxide emissions until 2030 using conventional forecast techniques and machine learning models | pt_PT |
| dc.title.alternative | Previsão das emissões de dióxido de carbono até 2030 usando técnicas de previsão convencionais e modelos de machine learning | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.name | Mestrado em Análise de Dados para Gestão | pt_PT |