TCC - Bacharelado em Sistemas da Informação (Sede)
URI permanente para esta coleçãohttps://arandu.ufrpe.br/handle/123456789/427
Navegar
3 resultados
Resultados da Pesquisa
Item Desenvolvimento de uma aplicação web para a gestão de atendimentos presenciais ao público usuário de serviços de saneamento básico(2026-02-12) Peixoto, Marcos Vinícius de Araujo Souza; Gouveia, Roberta Macêdo Marques; http://lattes.cnpq.br/2024317361355224A organização eficiente de processos e a adequada coordenação de recursos são essenciais para o bom funcionamento das instituições e para a melhoria da qualidade dos serviços prestados à população, especialmente no domínio da saúde pública, área diretamente relacionada à oferta de serviços de saneamento básico. Nesse contexto, este trabalho apresenta o desenvolvimento de um sistema web voltado ao gerenciamento de atendimentos presenciais na área de saneamento, destinados ao público usuário desses serviços, com início em 2025. A solução tecnológica proposta tem como objetivo otimizar os processos de atendimento por meio da automação de agendamentos, controle de tempo e expediente, monitoramento dos serviços e disponibilização de informações dos atendentes, promovendo maior eficiência operacional e possibilitando o acompanhamento das atividades em tempo real. O projeto fundamenta-se nos princípios da engenharia de software, programação web e gerenciamento de dados dinâmicos, contribuindo para o desenvolvimento acadêmico e para a aplicação prática. Como resultados esperados, destacam-se a otimização do fluxo de informações, a democratização do acesso aos dados, a melhoria da qualidade do atendimento, o aumento da satisfação dos usuários e o fortalecimento da gestão organizacional, refletindo positivamente nos serviços públicos de saúde e saneamento.Item Análise de Algoritmos de Balanceamento de Carga em Cenários com Hosts Desbalanceados(2025-08-07) Santos, Bruno Olimpio dos; Oliveira, Lidiano Augusto Nóbrega de; http://lattes.cnpq.br/7399493881755815; http://lattes.cnpq.br/6578958880427494O crescimento exponencial de dispositivos conectados à Internet exige soluções que assegurem desempenho e disponibilidade em sistemas distribuídos. Este trabalho investiga o impacto de diferentes algoritmos de balanceamento de carga, tais como Round Robin, Weighted e Least Connections, em ambientes compostos por dispositivos com recursos computacionais distintos. Para isso, foi projetada uma arquitetura composta por três servidores executando aplicações Flask com Gunicorn, e um balanceador de carga Nginx instalado em um quarto dispositivo. Foram conduzidos experimentos com cenários variados quanto à capacidade dos servidores e à carga computacional das requisições, a fim de medir o tempo de resposta e analisar a distribuição das requisições. Os resultados evidenciam que algoritmos como o Least Connections e o Ponderado apresentam melhor adaptação a cenários assimétricos, promovendo distribuição mais eficiente das requisições e tempos de resposta mais estáveis. O estudo reforça a importância da escolha criteriosa do algoritmo de balanceamento conforme a configuração da infraestrutura e o perfil das requisições.Item Previsão de preço de ações de empresas do setor elétrico com algoritmos de aprendizado de máquina(2025-03-21) Silva, Herculles Hendrius Coutinho Mesquita; Albuquerque Júnior, Gabriel Alves de; http://lattes.cnpq.br/1399502815770584O presente trabalho tem como objetivo comparar a eficiência de diferentes algoritmos de aprendizado de máquina na previsão de preços de ações do setor de energia elétrica. Para isso, foram analisados quatro algoritmos: Long Short-Term Memory (LSTM), Support Vector Regression (SVR), Regressão Linear e Random Forest. Os dados utilizados compreendem uma série histórica de preços e indicadores adicionais, como inflação, Índice de energia elétrica (IEE) e variação cambial, que foram processados e utilizados como entrada para os modelos. A análise foi realizada com base em métricas de erro, como Erro Médio Absoluto (MAE), Erro Quadrático Médio (MSE) e Raiz do Erro Quadrático Médio (RMSE), bem como pela avaliação da diferença percentual entre os preços previstos e os valores reais. Os resultados mostram que o algoritmo LSTM obteve o melhor desempenho na previsão de preços de fechamento, seguido pela Regressão Linear, enquanto o Random Forest apresentou maior margem de erro e se monstrando inadequado para a aplicação neste problema. Este estudo realiza a aplicação de algoritmos preditivos no mercado financeiro, demonstrando o potencial do aprendizado de máquina como ferramenta para análise e tomada de decisão no setor de energia elétrica.