Aprendizado de representação baseado em stacked autoencoders para dados temporais e trajetórias

Resumo

Com o desenvolvimento de sensores móveis, aplicações que coletam grandes volumes de dados temporais têm surgido em diferentes domínios de conhecimento. Em diversas dessas aplicações, a utilização de algoritmos para encontrar padrões frequentes e anômalos é uma alternativa para se obter conhecimento a partir de dados. Em se tratando de dados temporais de alta dimensão, a literatura aponta que medidas de similaridade mais adequadas para diversas aplicações possuem alta complexidade computacional. Duas opções nesse contexto são utilizar medidas de distância menos custosas ou aproximações, o que pode afetar negativamente os resultados obtidos. Como modo de contornar esse problema, este projeto propõe a utilização de autoencoders para se aprender representações reduzidas de séries temporais, a fim de melhorar a escalabilidade de algoritmos de descoberta de padrões baseados em similaridade sem causar perda significativa de qualidade dos resultados.