Meta-aprendizado em previsão de séries temporais: uma perspectiva de complexidade dos dados

• Processo: 25/21948-0
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de dezembro de 2025
• Data de Término da vigência: 31 de janeiro de 2027
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Ana Carolina Lorena
• Beneficiário: Fabricio Alves de Almeida
• Instituição Sede: Divisão de Ciência da Computação (IEC). Instituto Tecnológico de Aeronáutica (ITA). São José dos Campos , SP, Brasil
• Vinculado ao auxílio: 21/06870-3 - Além da seleção de algoritmos: meta-aprendizado para análise e entendimento de dados e algoritmos, AP.JP2
• Bolsa(s) vinculada(s): 26/04199-6 - Estratégias de Meta-Aprendizado e Aprendizado por Transferência para Previsão de Séries Temporais em AutoML, BE.EP.PD
• Assunto(s): Meta-aprendizado computacional Análise de séries temporais Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: Meta-Aprendizado | Meta-Características | Previsão de Séries Temporais | Séries Temporais | Aprendizado de Máquina

Resumo

O arcabouço de Meta-Aprendizagem (MtL) pode ser utilizado em quaisquer tipos de dados, desde que meta-características significativas possam ser extraídas deles. Essas meta-características permitem a obtenção de características de alto nível de um conjunto de dados. Ao relacionar essas informações ao desempenho preditivo de algoritmos de previsão, pode-se obter indicações sobre por que um algoritmo apresenta bom desempenho em um conjunto de dados, mas não em outro. Embora essa abordagem tenha sido investigada na literatura de previsão de séries temporais, ainda há uma escassez de meta-características que reflitam o nível de dificuldade ou complexidade de um conjunto de dados nesse domínio. Este projeto visa investigar essa questão, propondo novas abordagens para caracterizar dados de séries temporais. (AU)