Algoritmos de classificação de séries temporais aplicados a sistemas embarcados

• Processo: 09/06349-0
• Modalidade de apoio: Bolsas no Exterior - Novas Fronteiras
• Data de Início da vigência: 01 de fevereiro de 2010
• Data de Término da vigência: 31 de janeiro de 2011
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Gustavo Enrique de Almeida Prado Alves Batista
• Beneficiário: Gustavo Enrique de Almeida Prado Alves Batista
• Pesquisador Anfitrião: Eamonn John Keogh
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Instituição Anfitriã: University of California, Riverside (UCR), Estados Unidos
• Assunto(s): Inteligência artificial
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Descoberta de conhecimento de bases de dados | Mineração de Dados | Mineração de Dados Temporais | Inteligência Artificial

Resumo

Um dos grandes desafios em Aprendizado Máquina é a integração de dados temporais e seqüenciais ao processo de Mineração de Dados. Neste projeto, tem-se interesse no desenvolvimento de algoritmos de classificação de séries temporais. Uma abordagem popular para a tarefa de classificação de séries temporais é a utilização do algoritmo k-vizinhos mais próximos. Esse algoritmo tem se mostrado eficiente especialmente quando aliado a medidas de distância capazes de lidar com defasagens de tempo, como a medida de distância Dynamic Time Warping. Entretanto, o algoritmo clássico de k-vizinhos mais próximos é computacionalmente intensivo, e uma solução é a utilização de índices que permitem responder uma consulta por similaridade de forma mais eficiente. Este projeto propõe pesquisar algoritmos de indexação que atendam as propriedades dos algoritmos da classe anyspace. Algoritmos dessa classe são capazes de trabalhar com diferentes quantidades de memória, sendo que o desempenho do algoritmo depende diretamente da quantidade de memória disponível. Tais algoritmos possuem o benefício de permitir que o projetista do sistema embarcado especifique a quantidade de memória em função do desempenho requerido pela aplicação. Outro assunto de interesse deste projeto são os métodos de classificação por indução de regras de classificação. Uma abordagem para isso é a identificação de motifs que são subsequências que se repetem com frequência e que geralmente representam fenômenos de interesse. As regras possuem a conveniência de serem facilmente codificadas em qualquer linguagem de programação procedimental, e requerem poucos recursos de processamento e memória. Os algoritmos desenvolvidos durante o estágio de pós-doutorado serão aplicados no controle e monitoramento de insetos por meio de dispositivos desenvolvidos pela ISCA Technologies. (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)

RAKTHANMANON, THANAWIN; CAMPANA, BILSON; MUEEN, ABDULLAH; BATISTA, GUSTAVO; WESTOVER, BRANDON; ZHU, QIANG; ZAKARIA, JESIN; KEOGH, EAMONN. Addressing Big Data Time Series: Mining Trillions of Time Series Subsequences Under Dynamic Time Warping. ACM TRANSACTIONS ON KNOWLEDGE DISCOVERY FROM DATA, v. 7, n. 3, SI, SEP 2013. (09/06349-0)

BATISTA, GUSTAVO E. A. P. A.; KEOGH, EAMONN J.; TATAW, OBEN MOSES; DE SOUZA, VINICIUS M. A.. CID: an efficient complexity-invariant distance for time series. DATA MINING AND KNOWLEDGE DISCOVERY, v. 28, n. 3, p. 634-669, MAY 2014. (09/06349-0, 12/07295-3)

RAKTHANMANON, THANAWIN; CAMPANA, BILSON; MUEEN, ABDULLAH; BATISTA, GUSTAVO; WESTOVER, BRANDON; ZHU, QIANG; ZAKARIA, JESIN; KEOGH, EAMONN. Addressing Big Data Time Series: Mining Trillions of Time Series Subsequences Under Dynamic Time Warping. ACM TRANSACTIONS ON KNOWLEDGE DISCOVERY FROM DATA, v. 7, n. 3, p. 31-pg., 2013-09-01. (09/06349-0)