Experimentando com estratégias baseadas em aprendizado profundo para lidar com tarefas multivariadas em séries temporais.

Resumo

Com a crescente onipresença de smartphones, smartwatches e outros dispositivos capazes de coletar dados ao longo do tempo, os aplicativos que usam séries temporais como entrada, como monitoramento cardíaco e reconhecimento de atividade, tornaram-se cada vez mais populares. Vários desses cenários podem ser mapeados naturalmente como tarefas que envolvem séries temporais multivariadas. Assim, diversas técnicas de Aprendizado de Máquina aplicadas a séries temporais foram desenvolvidas. No entanto, a maioria das técnicas desenvolvidas para séries temporais multivariadas foram adaptadas de dados univariados. No entanto, não há diretrizes claras para escolher a melhor adaptação para classificação de séries temporais multivariadas de aprendizagem profunda e regressão extrínseca devido à falta de avaliação experimental padronizada. Considerando este cenário, esta pesquisa irá propor, implementar e executar um procedimento de avaliação experimental para avaliar diferentes técnicas de adaptação de redes neurais profundas projetadas para classificação e regressão de séries temporais univariadas para lidar com problemas multivariados. (AU)