Classificação de Séries Temporais Utilizando Diferentes Representações de Dados e Ensembles

• Processo: 12/08923-8
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de agosto de 2012
• Data de Término da vigência: 31 de janeiro de 2017
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Gustavo Enrique de Almeida Prado Alves Batista
• Beneficiário: Rafael Giusti
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Assunto(s): Inteligência computacional Aprendizado computacional Análise de séries temporais
• Palavra(s)-Chave do Pesquisador: análise de séries temporais | Aprendizado de Máquina | Classificação de Séries Temporais | Inteligência computacional | Representação de séries temporais | Inteligência Computacional

Resumo

Nas últimas décadas tem-se observado um crescente interesse por técnicas de análise de dados temporais. Tal interesse se deve ao fato de que praticamente todos os empreendimentos humanos geram dados distribuídos ao longo do tempo. Neste projeto, tem-se interesse no desenvolvimento de algoritmos de classificação de séries temporais. Embora exista uma grande quantidade de algoritmos de classificação propostos nas últimas décadas, evidências experimentais sugerem que um simples classificador K-vizinhos mais próximos desempenha melhor que outros classificadores mais complexos para uma grande quantidade de domínios de aplicação. Uma pergunta em aberto é como se pode melhorar o desempenho do classificador K-vizinhos mais próximos para os domínios de aplicação nos quais essa técnica tipicamente não desempenha bem. A hipótese central deste trabalho é de que uma simples e eficiente mudança de representação dos dados pode fornecer um aumento significativo em termos de desempenho de classificação. Nosso objetivo é investigar por novas e eficientes representações em séries temporais e propor medidas de distâncias que sejam efetivas nessas representações.

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

GIUSTI, RAFAEL; SILVA, DIEGO F.; BATISTA, GUSTAVO E. A. P. A.; IEEE. Improved Time Series Classification with Representation Diversity and SVM. 2016 15TH IEEE INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND APPLICATIONS (ICMLA 2016), v. N/A, p. 6-pg., 2016-01-01. (13/26151-5, 12/08923-8)

SILVA, DIEGO F.; GIUSTI, RAFAEL; KEOGH, EAMONN; BATISTA, GUSTAVO E. A. P. A.. Speeding up similarity search under dynamic time warping by pruning unpromising alignments. DATA MINING AND KNOWLEDGE DISCOVERY, v. 32, n. 4, p. 988-1016, JUL 2018. (16/04986-6, 12/08923-8, 13/26151-5)

Publicações acadêmicas

(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)

GIUSTI, Rafael. Classicação de séries temporais utilizando diferentes representações de dados e ensembles. 2017. Tese de Doutorado - Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação (ICMC/SB) São Carlos.