Mineração de séries temporais por meio da extração de características e da identificação de motifs (2009)
- Authors:
- Autor USP: BATISTA, GUSTAVO ENRIQUE DE ALMEIDA PRADO ALVES - ICMC
- Unidade: ICMC
- Assunto: INTELIGÊNCIA ARTIFICIAL
- Language: Português
- Imprenta:
- Publisher: SBC
- Publisher place: Porto Alegre
- Date published: 2009
- Source:
- Conference titles: Congresso da Sociedade Brasileira de Computação - CSBC
-
ABNT
MALETZKE, André Gustavo et al. Mineração de séries temporais por meio da extração de características e da identificação de motifs. 2009, Anais.. Porto Alegre: SBC, 2009. Disponível em: http://www.sbc.org.br/bibliotecadigital/?subject=117. Acesso em: 27 dez. 2025. -
APA
Maletzke, A. G., Batista, G. E. de A. P. A., Lee, H. D., & Feng Chung Wu,. (2009). Mineração de séries temporais por meio da extração de características e da identificação de motifs. In Anais. Porto Alegre: SBC. Recuperado de http://www.sbc.org.br/bibliotecadigital/?subject=117 -
NLM
Maletzke AG, Batista GE de APA, Lee HD, Feng Chung Wu. Mineração de séries temporais por meio da extração de características e da identificação de motifs [Internet]. Anais. 2009 ;[citado 2025 dez. 27 ] Available from: http://www.sbc.org.br/bibliotecadigital/?subject=117 -
Vancouver
Maletzke AG, Batista GE de APA, Lee HD, Feng Chung Wu. Mineração de séries temporais por meio da extração de características e da identificação de motifs [Internet]. Anais. 2009 ;[citado 2025 dez. 27 ] Available from: http://www.sbc.org.br/bibliotecadigital/?subject=117 - Contribuições em mineração de dados temporais e classes desbalanceadas
- Classification of live moths combining texture, color and shape primitives
- A complexity-invariant distance measure for time series
- Extração de padrões e construção de modelos simbólicos para previsão de dados temporais
- Towards automatic classification on flying insects using inexpensive sensors
- Distância invariante à complexidade baseada em dimensão fractal para classificação de séries temporais
- A novel approximation to dynamic time warping allows anytime clustering of massive time series datasets
- Data mining a trillion time series subsequences under dynamic time warping
- An empirical comparison of dissimilarity measures for time series classification
- Evaluation of statistical and machine learning models for time series prediction: identifying the state-of-the-art and the best conditions for the use of each model
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
