A perspectiva de antever o futuro sempre encantou a humanidade. Saber o que vai acontecer antes mesmo de os primeiros sinais se manifestarem pode propiciar melhor aproveitamento dos efeitos benéficos de eventos futuros ou uma preparação antecipada de eventuais efeitos adversos. Talvez até mais importante que antecipar os resultados seja reconhecer o que pode interferir, favorável ou desfavoravelmente, nos processos em curso, para permitir o planejamento (ANTUNES et al., 2015).
Apesar disso, por mais aprimoradas que sejam as ferramentas computacionais disponíveis, a lidar com incertezas é uma tarefa complexa, pois uma previsão nada mais é do que a estimativa de um resultado provável baseada num conjunto de premissas e suposições acerca de um determinado período futuro (RELVA, 1998).
Uma das aplicações de tal conceito consiste no uso de séries temporais, que trata-se de um conjunto de observações realizadas em sequência ao longo do tempo. As séries temporais podem ser abordadas como processos estocásticos por leis probabilísticas — que significa que pode ser pensando como um conjunto d as possíveis trajetórias que poderiam ser observadas para uma variável alvo (PINHEIRO,2021).
Nesse contexto, no presente projeto de iniciação científica aborda-se uma o aprendizado de máquina combinada com modelo clássico ARIMA (do inglês AutoRegressive Integrated Moving average) obtido com uma biblioteca de código aberto do Facebook denominada Phophet tendo como aplicação a previsão do comportamento futuro da série temporal fazendo uso de dados fornecidos pela empresa SANEPAR