Busca avançada
Ano de início
Entree
(Referência obtida automaticamente do Web of Science, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores.)

Decomposing time series into deterministic and stochastic influences: A survey

Texto completo
Autor(es):
Duarte, Felipe S. L. G. [1] ; Rios, Ricardo A. [2] ; Hruschka, Eduardo R. [3, 4] ; de Mello, Rodrigo F. [1]
Número total de Autores: 4
Afiliação do(s) autor(es):
[1] Univ Sao Paulo, ICMC, Sao Carlos, SP - Brazil
[2] Univ Fed Bahia, DCC, Salvador, BA - Brazil
[3] Univ Sao Paulo, Comp Engn & Digital Syst Dept, Sao Paulo, SP - Brazil
[4] Itau Unibanco, Data Sci Team, Sao Paulo, SP - Brazil
Número total de Afiliações: 4
Tipo de documento: Artigo Científico
Fonte: DIGITAL SIGNAL PROCESSING; v. 95, DEC 2019.
Citações Web of Science: 0
Resumo

Temporal data produced by industrial, human, and natural phenomena typically contain deterministic and stochastic influences, being the first ideally modelled using Dynamical Systems while the second is appropriately addressed using Statistical tools. Although such influences have been widely studied as individual components, specific tools are required to support their decomposition for a proper modeling and analysis. This article addresses a comprehensive survey of the main time-series decomposition strategies and their relative performances in different application domains. The following strategies are discussed: i) Fourier Transform, ii) Wavelet transforms, iii) Moving Average, iv) Singular Spectrum Analysis, v) Lazy, vi) GHKSS, and vii) other approaches based on the Empirical Mode Decomposition method. In order to assess these strategies, we employ diverse and complementary performance measures: i) Mean Absolute Error, Mean Squared and Root Mean Squared Errors; ii) Minkowski Distances; iii) Complexity-Invariant Distance; iv) Pearson correlation; v) Mean Distance from the Diagonal Line; and vi) Mean Distance from Attractors. Each decomposition strategy is better devoted to particular scenarios, however, without any previous knowledge on data, GHKSS confirmed to work as a fair and general baseline besides its time complexity. (C) 2019 Elsevier Inc. All rights reserved. (AU)

Processo FAPESP: 17/16548-6 - Proposta de uma abordagem com garantias teóricas para a detecção de mudanças de conceito em fluxos de dados
Beneficiário:Rodrigo Fernandes de Mello
Linha de fomento: Bolsas no Exterior - Pesquisa
Processo FAPESP: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria
Beneficiário:José Alberto Cuminato
Linha de fomento: Auxílio à Pesquisa - Centros de Pesquisa, Inovação e Difusão - CEPIDs
Processo FAPESP: 14/21636-3 - Decomposição de séries temporais preservando o viés determinístico
Beneficiário:Felipe Simões Lage Gomes Duarte
Linha de fomento: Bolsas no Brasil - Doutorado