Classificação de séries temporais com seleção dinâmica de representação por meta-aprendizado
Carregando...
Arquivos
Data
Autores
Orientador(es)
Coorientador(es)
Membros da banca
Souto, Eduardo James Pereira
Carvalho, Moisés Gomes de
Carvalho, Moisés Gomes de
Pós-Graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal do Amazonas
Tipo
Direito de acesso
DOI
Resumo
Muitos métodos de classificação de séries temporais são baseados em similaridade, o que às vezes não é o suficiente para discriminar séries temporais a partir das observações originais. Uma maneira de contornar essa dificuldade é utilizar uma representação alternativa dos dados na qual as características mais importantes para a classificação são enfatizadas. Neste trabalho, emprega-se mudança de representação de dados temporais para a classificação de séries temporais, como foco na escolha de uma representação adequada e em tempo real para cada objeto de classificação. A premissa é que cada série pode ser melhor discriminada em um domínio de representação específico. Portanto, se for possível escolher uma representação adequada dinamicamente, então resultados mais satisfatórios de classificação podem ser alcançados.
Para tal fim, promove-se o estudo de domínios de representação de dados temporais, com o intuito de identificar como esses domínios fornecem uma visão alternativa de dados temporais que os diferem da visão tradicional. Os testes preliminares realizados focaram na avaliação de algoritmos k-NN e redes neurais convolucionais em 1D e 2D. O objetivo inicial era verificar como diferentes representações de dados podem afetar a qualidade de predição desses classificadores. Os resultados iniciais mostraram que utilizar diferentes representações melhora o desempenho da classificação em até 45%. Com base nisso, é criado um meta-classificador e um modelo de seleção dinâmica baseada em florestas aleatórias. Desta forma, para cada série é selecionada a representação mais adequada. Os resultados demonstram que a abordagem de escolha dinâmica de representações promove uma melhoria significativa na eficiência dos classificadores, tendo um ganho de até 16.21% contra os classificadores presentes na literatura.
Abstract
Many time series classification methods are based on similarity, which is sometimes not enough to discriminate time series from the original observations. One way around this difficulty is to use an alternative representation of the data in which the most important characteristics for classification are emphasized. In this work, a change in the representation of temporal data is employed for the classification of time series, focusing on the choice of a suitable, real-time representation for each classification object. The premise is that each series can be best discriminated in a specific representation domain. Therefore, if it is possible to choose a suitable representation dynamically, then more satisfactory classification results can be achieved.
To this end, the study of temporal data representation domains is promoted, with the aim of identifying how these domains provide an alternative view of temporal data that differs from the traditional view. The preliminary tests carried out focused on evaluating k-NN algorithms and convolutional neural networks in 1D and 2D. The initial objective was to verify how different data representations can affect the prediction quality of these classifiers. Initial results showed that using different representations improves classification performance by up to 45%. Based on this, a meta-classifier and a dynamic selection model based on random forests were created. In this way, the most appropriate representation is selected for each series. The results indicate that the dynamic representation selection approach promotes a significant improvement in classifier efficiency, with a gain of up to 16.21% against classifiers in the literature.
Descrição
Palavras-chave
Termo controlado
Objetivos de Desenvolvimento Sustentável (ODS)
Citação
DUARTE, Victor Beltrão Valente. Classificação de séries temporais com seleção dinâmica de representação por meta-aprendizado. 2025. 89 f. Dissertação (Mestrado em Informática) - Universidade Federal do Amazonas, Manaus (AM), 2025.
Coleções
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto