Busca avançada
Ano de início
Entree

Aprendizado de representação baseado em stacked autoencoders para dados temporais e trajetórias

Processo: 19/06080-2
Linha de fomento:Bolsas no Brasil - Iniciação Científica
Vigência (Início): 01 de julho de 2019
Vigência (Término): 30 de junho de 2020
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
Pesquisador responsável:Diego Furtado Silva
Beneficiário:Yuri Gabriel Aragão da Silva
Instituição-sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
Assunto(s):Aprendizado computacional   Sensores   Banco de dados temporais   Análise de séries temporais

Resumo

Com o desenvolvimento de sensores móveis, aplicações que coletam grandes volumes de dados temporais têm surgido em diferentes domínios de conhecimento. Em diversas dessas aplicações, a utilização de algoritmos para encontrar padrões frequentes e anômalos é uma alternativa para se obter conhecimento a partir de dados. Em se tratando de dados temporais de alta dimensão, a literatura aponta que medidas de similaridade mais adequadas para diversas aplicações possuem alta complexidade computacional. Duas opções nesse contexto são utilizar medidas de distância menos custosas ou aproximações, o que pode afetar negativamente os resultados obtidos. Como modo de contornar esse problema, este projeto propõe a utilização de autoencoders para se aprender representações reduzidas de séries temporais, a fim de melhorar a escalabilidade de algoritmos de descoberta de padrões baseados em similaridade sem causar perda significativa de qualidade dos resultados.