Time series data mining using complex networks (2017)
- Autores:
- Autor USP: FERREIRA, LEONARDO NASCIMENTO - ICMC
- Unidade: ICMC
- Sigla do Departamento: SCC
- Assuntos: ANÁLISE DE SÉRIES TEMPORAIS; REDES COMPLEXAS; MINERAÇÃO DE DADOS
- Palavras-chave do autor: Agrupamento; Classificação; Classification; Clustering; Community detection; Complex networks; Detecção de comunidades; Detecção de periodicidade; Graph mining; Mineração de grafos; Mineração de séries temporais; Periodicity detection; Time series data mining
- Idioma: Inglês
- Resumo: Séries temporais são conjuntos de dados ordenados no tempo. Devido à ubiquidade desses dados, seu estudo é interessante para muitos campos da ciência. A mineração de dados temporais é uma área de pesquisa que tem como objetivo extrair informações desses dados relacionados no tempo. Para isso, modelos são usados para descrever as séries e buscar por padrões. Uma forma de modelar séries temporais é por meio de redes complexas. Nessa modelagem, um mapeamento é feito do espaço temporal para o espaço topológico, o que permite avaliar dados temporais usando técnicas de redes. Nesta tese, apresentamos soluções para tarefas de mineração de dados de séries temporais usando redes complexas. O objetivo principal foi avaliar os benefícios do uso da teoria de redes para extrair informações de dados temporais. Concentramo-nos em três tarefas de mineração. (1) Na tarefa de agrupamento, cada série temporal é representada por um vértice e as arestas são criadas entre as séries de acordo com sua similaridade. Os algoritmos de detecção de comunidades podem ser usados para agrupar séries semelhantes. Os resultados mostram que esta abordagem apresenta melhores resultados do que os resultados de agrupamento tradicional. (2) Na tarefa de classificação, cada série temporal rotulada em um banco de dados é mapeada para um gráfico de visibilidade. A classificação é realizada transformando uma série temporal não marcada em um gráfico de visibilidade e comparando-a com os gráficos rotulados usando umafunção de distância. O novo rótulo é dado pelo rótulo mais frequente nos k grafos mais próximos. (3) Na tarefa de detecção de periodicidade, uma série temporal é primeiramente transformada em um gráfico de visibilidade. Máximos locais em uma série temporal geralmente são mapeados para vértices altamente conectados que ligam duas comunidades. O método proposto utiliza a estrutura de comunidades para realizar a detecção de períodos em séries temporais. Este método é robusto para dados ruidosos e não requer parâmetros. Com os métodos e resultados apresentados nesta tese, concluímos que a teoria da redes complexas é benéfica para a mineração de dados em séries temporais. Além disso, esta abordagem pode proporcionar melhores resultados do que os métodos tradicionais e é uma nova forma de extrair informações de séries temporais que pode ser facilmente estendida para outras tarefas.
- Imprenta:
- Local: São Carlos
- Data de publicação: 2017
- Data da defesa: 15.09.2017
-
ABNT
FERREIRA, Leonardo Nascimento. Time series data mining using complex networks. 2017. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2017. Disponível em: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-01022018-144118/. Acesso em: 18 set. 2024. -
APA
Ferreira, L. N. (2017). Time series data mining using complex networks (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de http://www.teses.usp.br/teses/disponiveis/55/55134/tde-01022018-144118/ -
NLM
Ferreira LN. Time series data mining using complex networks [Internet]. 2017 ;[citado 2024 set. 18 ] Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-01022018-144118/ -
Vancouver
Ferreira LN. Time series data mining using complex networks [Internet]. 2017 ;[citado 2024 set. 18 ] Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-01022018-144118/
Como citar
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
