Predição de Séries Temporais por Similaridade

• Processo: 13/10978-8
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de setembro de 2013
• Data de Término da vigência: 31 de agosto de 2015
• 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: Antonio Rafael Sabino Parmezan
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Assunto(s): Aprendizado computacional Mineração de dados
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Métodos Baseados em Similaridade | Mineração de Dados | Predição de Séries Temporais | Aprendizado de Máquina

Resumo

Na última década houve um grande aumento no interesse por séries temporais em Mineração de Dados e Descoberta de Conhecimento. Esse interesse culminou na proposta de literalmente centenas de métodos para tarefas como a classificação, agrupamento, detecção de anomalias, detecção de motifs, entre outras. Pesquisas empíricas têm demostrado que métodos de mineração de séries temporais baseados em similaridade proporcionam resultados muito competitivos, frequentemente su- perando métodos mais complexos para tarefas como classificação, agrupamento e detecção de anomalias. Acredita-se que a superioridade dos métodos baseados em similaridade pode ser explicada em grande parte devido ao trabalho incessante da comunidade em invariâncias de distância, tais como deformação (warping), linha de base, oclusão, rotação, etc. Em contraste, métodos estatísticos baseados em auto- regressão e médias móveis têm sido considerados o estado da arte para modelagem e predição de séries temporais por mais de meio século. Nesta proposta de pesquisa, questionamos se esse é realmente o caso, ou se a comunidade de Mineração de Dados tem mais a oferecer. Em particular, levantamos a hipótese de que métodos baseados em similaridade são simples, eficazes e possuem poucos parâmetros para a predição de séries temporais. Embora métodos de predição de séries temporais baseados em similaridade tenham sido pesquisados no passado recente, acreditamos que as pes- quisas anteriores não foram capazes de identificar as invariâncias necessárias para essa tarefa. É hipótese central deste projeto de pesquisa que apenas com a com- binação adequada de deslocamento, amplitude, e da invariância de complexidade, combinada com uma política para evitar casamentos triviais pode levar a previsões precisas e significativas.

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)

PARMEZAN, ANTONIO R. S.; SOUZA, VINICIUS M. A.; BATISTA, GUSTAVO E. A. P. A.. Time Series Prediction via Similarity Search: Exploring Invariances, Distance Measures and Ensemble Functions. IEEE ACCESS, v. 10, p. 22-pg., 2022-01-01. (13/10978-8, 16/04986-6, 18/05859-3)

SABINO PARMEZAN, ANTONIO RAFAEL; SOUZA, VINICIUS M. A.; BATISTA, GUSTAVO E. A. P. A.. Evaluation of statistical and machine learning models for time series prediction: Identifying the state-of-the-art and the best conditions for the use of each model. INFORMATION SCIENCES, v. 484, p. 302-337, MAY 2019. (18/05859-3, 16/04986-6, 13/10978-8)

Publicações acadêmicas

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

PARMEZAN, Antonio Rafael Sabino. Predição de séries temporais por similaridade. 2016. Dissertação de Mestrado - Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação (ICMC/SB) São Carlos.