Recuperação de séries temporais baseada em aprendizado não supervisionado

• Processo: 22/01359-1
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de abril de 2022
• Data de Término da vigência: 17 de junho de 2024
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Daniel Carlos Guimarães Pedronette
• Beneficiário: Bionda Rozin
• Instituição Sede: Instituto de Geociências e Ciências Exatas (IGCE). Universidade Estadual Paulista (UNESP). Campus de Rio Claro. Rio Claro , SP, Brasil
• Vinculado ao auxílio: 18/15597-6 - Aplicação e investigação de métodos de aprendizado não-supervisionado em tarefas de recuperação e classificação, AP.JP2
• Bolsa(s) vinculada(s): 23/08087-0 - Representações de séries temporais baseadas em grafos e em modelos de transferência de aprendizado, BE.EP.MS
• Assunto(s): Análise de séries temporais Recuperação da informação Análise de dados Aprendizado de máquina não supervisionado Estudo comparativo
• Palavra(s)-Chave do Pesquisador: Recuperação | Séries Temporais | Recuperação de Informação

Resumo

Muitas aplicações em ciência, comércio eletrônico e monitoramento de vigilância dependem do registro de informações de sensores em intervalos de tempo regulares. Como consequência, os dados de séries temporais vêm crescendo tremendamente. Essa massiva produção de dados requer gerenciamento para armazenamento e recuperação. Assim, a pesquisa de similaridade em dados de séries temporais é um requisito típico para tais bancos de dados. Além da modelagem de séries temporais, a medida de similaridade adotada para comparar diferentes séries temporais também desempenha um papel importante, afetando diretamente a qualidade dos resultados obtidos. As soluções tradicionais geralmente realizam apenas análises de pares, ou seja, a medida de similaridade considera apenas as informações fornecidas pelos pares de séries temporais que estão sendo comparadas. Nesse cenário, os relacionamentos entre os objetos modelados pela série temporal não são considerados. Portanto, a estrutura intrínseca da coleção é ignorada. No contexto deste projeto, pretendemos considerar: (i) Uso de métodos de aprendizado não supervisionado para aumentar a eficácia das tarefas de recuperação de séries temporais considerando informações contextuais e relacionamentos entre itens de dados; (ii) Estudo comparativo considerando diferentes métodos de aprendizado não supervisionado para recuperação de séries temporais. (AU)