Busca avançada
Ano de início
Entree

Decomposição de séries temporais preservando o viés determinístico

Processo: 14/21636-3
Linha de fomento:Bolsas no Brasil - Doutorado
Vigência (Início): 01 de junho de 2015
Vigência (Término): 10 de julho de 2016
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
Convênio/Acordo: Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
Pesquisador responsável:Rodrigo Fernandes de Mello
Beneficiário:Felipe Simões Lage Gomes Duarte
Instituição-sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
Vinculado ao auxílio:13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria, AP.CEPID
Assunto(s):Aprendizado computacional   Análise de séries temporais   Métodos de decomposição

Resumo

Com a evolução tecnológica, tornou-se possível coletar e modelar grandes volumes de dados produzidos ao longo do tempo. Esses dados são tipicamente gerados por processos industriais, operações humanas ou fenômenos da natureza. Ao modelá-los, pode-se compreender esses fenômenos a fim de predizê-los, observar suas alterações e controlá-los. De modo geral, esses dados têm um componente determinístico e outro estocástico, assim, ao conduzir a etapa de modelagem considerando somente um dos componentes, pode-se chegar a conclusões incompletas ou até mesmo errôneas. O cenário ideal se dá pela adoção de ambas abordagens, cada uma sobre sua respectiva influência, ou seja, por meio do emprego do ramo Estatístico sobre as influências estocásticas e ramo baseado em Sistemas Dinâmicos sobre as influências determinísticas. Para isso, faz-se necessária a decomposição da série temporal nessas duas influências. Há na literatura diversas abordagens que são comumente utilizadas para decompor séries temporais, no entanto elas apresentam limitações no que se refere ao tipo de série que elas modelam e ao viés empregado na etapa de decomposição. Quanto à primeira limitação, a maior parte das abordagens permite a decomposição somente de séries lineares. Quanto à segunda, abordagens como EMD-RP e EMD-MI, recentemente propostas, introduzem um viés senoidal no componente determinístico produzido. Ambas limitações prejudicam a qualidade dos modelos obtidos. Neste contexto, este projeto de doutorado tem por objetivo empregar conceitos de topologia matemática para preservar o viés determinístico das séries temporais durante a fase de decomposição. Espera-se, dessa maneira, produzir modelos de maior acurácia no que se refere à predição de observações. (AU)

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)
DUARTE, FELIPE S. L. G.; RIOS, RICARDO A.; HRUSCHKA, EDUARDO R.; DE MELLO, RODRIGO F. Decomposing time series into deterministic and stochastic influences: A survey. DIGITAL SIGNAL PROCESSING, v. 95, DEC 2019. Citações Web of Science: 0.
DA COSTA, FAUSTO G.; DUARTE, FELIPE S. L. G.; VALLIM, ROSANE M. M.; DE MELLO, RODRIGO F. Multidimensional surrogate stability to detect data stream concept drift. EXPERT SYSTEMS WITH APPLICATIONS, v. 87, p. 15-29, NOV 30 2017. Citações Web of Science: 6.

Por favor, reporte erros na lista de publicações científicas escrevendo para: cdi@fapesp.br.