Caracterização e mineração de séries temporais

• Processo: 21/04140-8
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de junho de 2021
• Data de Término da vigência: 30 de junho de 2022
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Acordo de Cooperação: MCTI/MC
• Pesquisador responsável: Heitor Soares Ramos Filho
• Beneficiário: Isadora Cardoso Pereira da Silva
• Instituição Sede: Instituto de Ciências Exatas (ICEx). Universidade Federal de Minas Gerais (UFMG). Ministério da Educação (Brasil). Belo Horizonte , SP, Brasil
• Vinculado ao auxílio: 20/05121-4 - Análise de dados heterogêneos em computação urbana, AP.R
• Assunto(s): Análise de séries temporais Mineração de dados Teoria da informação
• Palavra(s)-Chave do Pesquisador: Computação Urbana | Internet das Coisas | Mineração de Dados | Séries Temporais | Computação Urbana

Resumo

Este projeto pretende responder a seguinte questão: "É possível adquirir informações relevantes, capazes de prover conhecimentos valiosos para a caracterização de séries temporais?". A caracterização de séries temporais é um estudo interdisciplinar e com grande escopo de aplicações no mundo real, visto que, em nosso universo, a maioria dos fenômenos podem ser descritos através de uma componente temporal. Por exemplo, diversos processos naturais podem ser observados através do tempo, como a movimentação dos planetas, as ondas sonoras e os eventos meteorológicos. Processos feitos por humanos também possuem essa propriedade temporal, como podemos notar no mercado financeiro, na mobilidade humana e na robótica. Entender como esses processos se comportam é vital para entendermos a nós mesmos, individualmente e como sociedade, e o espaço à nossa volta, a fim de aumentar a compreensão de diversas áreas do conhecimento, como geografia, medicina, engenharia, e muitas outras. Dessa forma, séries temporais têm sido estudadas durante décadas, atraindo a atenção das comunidades industriais e científicas. Porém, essa investigação apresenta diversas complexidades que permanecem como questões em aberto, devido às características peculiares apresentadas pelas séries temporais, como alta dimensionalidade (que pode conter dados irrelevantes ou redundantes) e contaminação por ruído. A propriedade mais desafiadora das séries temporais, no entanto, é sua dependência espaço-temporal. Isso quer dizer que os dados possuem uma relação entre si, sendo dependentes da ordenação na qual são gerados. Em outras palavras, a mudança na ordem dos dados pode alterar o significado do fenômeno observado. Essa característica difere da suposição usual dos algoritmos de aprendizado de máquina, como Máquina de Vetores de Suporte, de dados independentes e identicamente distribuídos, resultando em modelos com baixo desempenho. Sendo assim, pode-se notar a importância de uma abordagem robusta capaz mitigar os efeitos negativos causados pelas características apresentadas pelas séries temporais, além de minerar o conhecimento latente presente nas mesmas. É essa posição que o framework proposto neste projeto pretende preencher. Para isso, será estudado métricas com esse fim, como transformações provenientes da Teoria da Informação (Padrões Ordinais e grafos de visibilidade, por exemplo) e Distance Metric Learning. (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)

CARDOSO-PEREIRA, ISADORA; BORGES, JOAO B.; BARROS, PEDRO H.; LOUREIRO, ANTONIO F.; ROSSO, OSVALDO A.; RAMOS, HEITOR S.. Leveraging the self-transition probability of ordinal patterns transition network for transportation mode identification based on GPS data. NONLINEAR DYNAMICS, v. 107, n. 1, NOV 2021. (20/05121-4, 21/04140-8)