A`área`de`Aprendizagem`de`Máquina`é`um`campo`que`visa`o`estudo`de`técnicas`e`algoritmos`para`resolver`problemas`complexos.`Substituindo`a`necessidade`de`obter`todo`um`conhecimento`do`problema`e`coletar`dados`de`exemplos`do`problema`para`que`o`algoritmo`se`comporte`adequadamente.`Um`dos`recentes`usos`dessa`área`foi`para`solucionar`o`problema`de`previsão`em`Séries`Temporais,`das`quais`um`valor`da`série`é`dependente`dos`valores`anteriores.`Devido`a`capacidade`de`armazenar`informações,`a`Rede`Neural`Recorrente`do`tipo`Long-Short`Term`Memory,`ou`LSTM,`vem`sendo`utilizada`para`previsões`nesse`tipo`de`série.`Entretanto,`existe`uma`grande`quantidade`de`parâmetros`para`confguração`desse`tipo`de`rede.`Confgurações`essas`que`moldam`a`previsão`fnal.`Nesse`trabalho`é`proposta`uma`análise`dos`métodos`de`confguração`automática`desses`parâmetros`na`previsão`da`arrecadação`tributária`do`estado`de`Sergipe,`defnida`como`uma`série`temporal.`Serão`utilizados`os`algoritmos`Hill`Cimbing,`Simulated`Annealing,`Genetic`Algorithm`e`Social`Network`Optimization`para`aotimização`dos`parâmetros.`Os`resultados`das`previsões`da`LSTM`serão`comparados`com`as`previsões`feitas`pelo`ARIMA`e`Holt-Winters.São Cristóvão, SE