Resumo
A análise de dados tem motivado novos métodos para encontrar padrões, clusters e outliers em diferentes cenários e condições. No contexto de dados que evoluem ao longo do tempo, também referidos como séries temporais ou fluxos de dados, as soluções derivadas de áreas como Sistemas Dinâmicos e Estatística (DSS) ganharam atenção especial na literatura. No entanto, o ferramental de DSS geralmente não é aplicada/combinada com outras áreas no contexto estudado. Com base nesta desvantagem, propomos um método exploratório para auxiliar a análise de séries temporais combinando abordagens DSS com metáforas de visualização para responder a questões típicas de uma forma mais eficaz e eficiente. Mais do que apenas fornecer uma aplicação mais fácil de usar, entendemos que a visualização pode agregar valor a area de DSS, revelando informações adicionais sobre os dados. Com o nosso método proposto, o Visual DSS (VDSS), pode-se determinar a natureza em série (determinística, caótica, estacionária, etc.), prever observações nunca vistas e prosseguir com classificações. Mais precisamente, este projeto tem três linhas de pesquisa. Primeiro, pretendemos melhorar a forma como se pode explorar visualmente semelhanças e atributos de séries temporais. Para isso, consideramos uma metáfora baseada em agrupamento hierárquico e CRQA. Segundo, correlacionamos os atributos de espaços fase e séries temporais através do uso de metáforas involvendo projeções multidimensionais, RadViz e coordenadas paralelas. Finalmente, investigamos o quanto a redução de dimensionalidade afeta a precisão de previsão depois de aplicar o teorema de mergulho de Takens.
|