Implementação de Autoencoders Variacionais Condicionais como Técnicas para Aumento de Dados em Séries Temporais

• Processo: 25/14433-3
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Iniciação Científica
• Data de Início da vigência: 01 de janeiro de 2026
• Data de Término da vigência: 31 de março de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Marcos Gonçalves Quiles
• Beneficiário: Gabriel Leal Bonavina
• Supervisor: Joao Manuel Portela da Gama
• Instituição Sede: Instituto de Ciência e Tecnologia (ICT). Universidade Federal de São Paulo (UNIFESP). Campus São José dos Campos. São José dos Campos , SP, Brasil
• Instituição Anfitriã: Universidade do Porto (UP), Portugal
• Vinculado à bolsa: 24/13795-6 - Desenvolvimento e Implementação de Métodos de Aumento de Dados para Modelos Preditivos e Generativos em Química e Ciências de Materiais, BP.IC
• Assunto(s): Aprendizado computacional Redes neurais Análise de séries temporais
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | aumento de dados | Modelos Generativos | Redes neurais | Séries Temporais | Aprendizado de máquina

Resumo

O uso do aprendizado de máquina (ML) tem impulsionado avanços na ciência de materiais e na análise de falhas em setores cruciais como o de energia eólica. Contudo, a eficácia desses modelos é frequentemente limitada pela escassez e desbalanceamento de dados, um gargalo crítico na manutenção preditiva de turbinas eólicas. Nesse contexto, o aumento de dados (data augmentation) emerge como uma solução fundamental para gerar exemplos sintéticos realistas e aprimorar a robustez de modelos de ML. Este projeto de pesquisa visa expandir a capacidade de um toolbox de data augmentation desenvolvido com sucesso na fase anterior de Iniciação Científica no domínio químico. O foco agora será no tratamento de séries temporais, tipo de dado essencial para as demandas prioritárias do Programa P6 do Centro de Inovação em Novas Energias (CINE). A complexidade inerente às séries temporais, que incluem desafios como o concept drift, demanda a implementação de abordagens avançadas de data augmentation. Para isso, propõe-se o desenvolvimento e a validação do TimeCVAE (Time-series Conditional Variational Autoencoder), capaz de gerar amostras sintéticas que preservem as características dinâmicas desses dados. A implementação dessa técnica de ponta requer expertise específica em fluxos de dados e séries temporais, justificando um estágio na Universidade do Porto, Portugal, sob a supervisão do Professor João Gama. Reconhecido internacionalmente por sua pesquisa em data streams e manutenção preditiva, o Professor Gama e o grupo LIAAD/INESC TEC oferecem o ambiente ideal para aprimorar o TimeCVAE e aplicá-lo em cenários complexos. Este estágio não só elevará a qualidade do toolbox e do projeto no País, mas também garantirá a transferência de conhecimento de vanguarda e o fortalecimento da colaboração internacional.