Caracterização e mineração de séries temporais

Resumo

Este projeto pretende responder a seguinte questão: "É possível adquirir informações relevantes, capazes de prover conhecimentos valiosos para a caracterização de séries temporais?". A caracterização de séries temporais é um estudo interdisciplinar e com grande escopo de aplicações no mundo real, visto que, em nosso universo, a maioria dos fenômenos podem ser descritos através de uma componente temporal. Por exemplo, diversos processos naturais podem ser observados através do tempo, como a movimentação dos planetas, as ondas sonoras e os eventos meteorológicos. Processos feitos por humanos também possuem essa propriedade temporal, como podemos notar no mercado financeiro, na mobilidade humana e na robótica. Entender como esses processos se comportam é vital para entendermos a nós mesmos, individualmente e como sociedade, e o espaço à nossa volta, a fim de aumentar a compreensão de diversas áreas do conhecimento, como geografia, medicina, engenharia, e muitas outras. Dessa forma, séries temporais têm sido estudadas durante décadas, atraindo a atenção das comunidades industriais e científicas. Porém, essa investigação apresenta diversas complexidades que permanecem como questões em aberto, devido às características peculiares apresentadas pelas séries temporais, como alta dimensionalidade (que pode conter dados irrelevantes ou redundantes) e contaminação por ruído. A propriedade mais desafiadora das séries temporais, no entanto, é sua dependência espaço-temporal. Isso quer dizer que os dados possuem uma relação entre si, sendo dependentes da ordenação na qual são gerados. Em outras palavras, a mudança na ordem dos dados pode alterar o significado do fenômeno observado. Essa característica difere da suposição usual dos algoritmos de aprendizado de máquina, como Máquina de Vetores de Suporte, de dados independentes e identicamente distribuídos, resultando em modelos com baixo desempenho. Sendo assim, pode-se notar a importância de uma abordagem robusta capaz mitigar os efeitos negativos causados pelas características apresentadas pelas séries temporais, além de minerar o conhecimento latente presente nas mesmas. É essa posição que o framework proposto neste projeto pretende preencher. Para isso, será estudado métricas com esse fim, como transformações provenientes da Teoria da Informação (Padrões Ordinais e grafos de visibilidade, por exemplo) e Distance Metric Learning. (AU)