Dentre as várias técnicas de previsão de vazão, os modelos guiados por dados (DDMs: data-driven models) estão sendo muito utilizados. Estes se baseiam num banco de dados formado pelos registros históricos das variáveis de entrada (precipitação e vazão) e saída (vazão) para realizar a previsão. Redes neurais artificiais (ANNs: artificial neural networks) são os tipos de DDMs mais comuns e se mostram normalmente mais precisas do que outros modelos empíricos, mas possuem a desvantagem de não serem suficientemente transparentes. Um dos métodos de aprendizado de máquina que não possui esse problema é o aprendizado baseado em instâncias (IBL: instance-based learning). O modelo k-nearest neighbor (KNN) é um exemplo de IBL. Neste trabalho, variações do modelo KNN são utilizadas e propostas a fim de realizar previsão de vazão em rio do estado de Sergipe. Os resultados são comparados aos de simulações feitas com o uso de redes neurais artificiais e indicam superioridade das ANNs, mas também previsões satisfatórias com o KNN.
previsão hidrológica; inteligência artificial; mineração de dados