Guedes, AnaPires, Jéssica Catarina Cristina2024-04-232024-01-302024-01http://hdl.handle.net/10400.14/44773This study focuses on forecasting daily electricity consumption at Faro Airport, utilizing machine learning models such as Random Forest (RF) and AutoRegressive Integrated Moving Average with exogenous variables (ARIMAX). In addition to demonstrating the forecasting prowess of these models, this study evaluates their performance by comparing them with the ensembled model blending RF and ARIMAX. Performance metrics not only gauge the accuracy of predictions but also provide a nuanced understanding of the models’ effectiveness. The hybrid model emerges as a standout performer, showcasing superior forecasting precision. Its ability to leverage the strengths of both RF and ARIMAX contributes to more robust predictions, especially in the context of daily electricity consumption at Faro Airport. Beyond numerical accuracy, the study incorporates Shapley values for interpretability, offering a transparent view of the factors influencing electricity consumption trends. This interpretability aids airport management in making informed decisions related to en ergy resource allocation, infrastructure planning, and operational efficiency. This approach not only optimizes resource utilization but also positions the airport to proactively address challenges and opportunities in its energy consumption patterns. The combination of accurate predictions and interpretable insights positions Faro Airport to not only meet current energy demands effectively but also to navigate future challenges with strategic foresight.Este estudo concentra-se na previsão do consumo diário de eletricidade no Aeroporto de Faro, utilizando modelos de Machine Learning, Random Forest (RF) e AutoRegressive Integrated Moving Average com variáveis exógenas (ARIMAX). Para além de demonstrar a capacidade de previsão desses modelos, o estudo avalia o seu desempenho, comparando-os com o modelo híbrido que combina RF e ARIMAX. As métricas de desempenho não só medem a precisão das previsões, como também proporcionam uma melhor compreensão da eficácia dos modelos. O modelo híbrido destaca-se com um desempenho excepcional, exibindo uma boa precisão. A sua capacidade de aproveitar os pontos fortes de RF e ARIMAX contribui para previsões mais robustas, especialmente no contexto do consumo diário de eletricidade no Aeroporto de Faro. Além da precisão numérica, o estudo incorpora valores de Shapley para interpretabilidade, oferecendo uma visão transparente dos fatores que influenciam as tendências de consumo de eletricidade. Essa interpretabilidade auxilia a gestão do aeroporto na tomada de decisões informadas relacionadas à alocação de recursos energéticos, planeamento de infraestrutura e eficiência operacional. Esta abordagem, para além de otimizar a utilização de recursos, também posiciona o aeroporto para abordar proativamente desafios e oportunidades nos seus padrões de consumo de energia. A combinação de previsões precisas e insights interpretáveis permite ao Aeroporto de Faro responder eficazmente às necessidades energéticas atuais, mas também preparar futuros desafios com uma visão estratégica.engConsumptionElectricityAirportMachine learningTime seriesAccuracyPerformanceFaroPortugalConsumoEletricidadeAeroportoSéries temporaisPrecisãoDesempenhomaster thesis203590155