Predição de Séries Temporais por Similaridade

Resumo

Na última década houve um grande aumento no interesse por séries temporais em Mineração de Dados e Descoberta de Conhecimento. Esse interesse culminou na proposta de literalmente centenas de métodos para tarefas como a classificação, agrupamento, detecção de anomalias, detecção de motifs, entre outras. Pesquisas empíricas têm demostrado que métodos de mineração de séries temporais baseados em similaridade proporcionam resultados muito competitivos, frequentemente su- perando métodos mais complexos para tarefas como classificação, agrupamento e detecção de anomalias. Acredita-se que a superioridade dos métodos baseados em similaridade pode ser explicada em grande parte devido ao trabalho incessante da comunidade em invariâncias de distância, tais como deformação (warping), linha de base, oclusão, rotação, etc. Em contraste, métodos estatísticos baseados em auto- regressão e médias móveis têm sido considerados o estado da arte para modelagem e predição de séries temporais por mais de meio século. Nesta proposta de pesquisa, questionamos se esse é realmente o caso, ou se a comunidade de Mineração de Dados tem mais a oferecer. Em particular, levantamos a hipótese de que métodos baseados em similaridade são simples, eficazes e possuem poucos parâmetros para a predição de séries temporais. Embora métodos de predição de séries temporais baseados em similaridade tenham sido pesquisados no passado recente, acreditamos que as pes- quisas anteriores não foram capazes de identificar as invariâncias necessárias para essa tarefa. É hipótese central deste projeto de pesquisa que apenas com a com- binação adequada de deslocamento, amplitude, e da invariância de complexidade, combinada com uma política para evitar casamentos triviais pode levar a previsões precisas e significativas.