Detecção de Outliers em Dados não Vistos de Séries Temporais por meio de Erros de Predição com SARIMA e Redes Neurais Recorrentes LSTM e GRU (2021)
- Authors:
- Autor USP: MIGLIATO, ANTONIO LUIZ TONISSI - ICMC
- Unidade: ICMC
- Sigla do Departamento: SCC
- DOI: 10.11606/D.55.2021.tde-21012022-175531
- Subjects: ANÁLISE DE SÉRIES TEMPORAIS; VALORES ATÍPICOS; REDES NEURAIS; ANÁLISE DE DADOS
- Keywords: Detecção de outliers; GRU; GRU; LSTM; LSTM; Outliers detection; SARIMA; SARIMA; Time series prediction
- Language: Português
- Abstract: A atividade de identificar padrões nos dados que não estejam em conformidade com o comportamento esperado, ou detecção de outliers, como é conhecida, é um problema relevante em diversas áreas do conhecimento, como financeira, saúde, detecção de fraudes, entre outras. Em diversas dessas áreas, os dados apresentam-se em forma de séries temporais. Esse tipo de dado exige métodos que considerem a natureza sequencial das observações, visto que os valores em séries temporais são correlacionados e dependentes. Nesses casos, sistemas de detecção de outliers precisam lidar com situações nas quais os valores estão temporalmente associados. Visando encontrar respostas mais apropriadas para a detecção de outliers nessas situações, sistemas baseados em erros de predições realizadas com redes recorrentes LSTM tem sido propostos. Neste trabalho, foi estudado um modelo de detecção de outliers em dados não vistos baseado nas capacidades preditivas das redes neurais LSTM e GRU. A diferença entre os valores preditos e os valores observados foram calculados como erros de predição e utilizados para detectar outliers em três séries temporais univariadas de contexto econômico. Como linha de base para comparações, foi utilizado o modelo estatístico SARIMA. Primeiramente, utilizou-se um valor limite específico para detecção de outliers, calculado a partir dos erros de predição do conjunto de treinamento. Num segundo momento, os modelos foram testados com todos os valores limites possíveis paradetecção de outliers. Os resultados mostraram que o modelo SARIMA obteve melhor desempenho no geral, mas os desempenhos apresentados pelas redes neurais LSTM e GRU foram satisfatórios e merecem mais estudos.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2021
- Data da defesa: 29.11.2021
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
MIGLIATO, Antonio Luiz Tonissi. Detecção de Outliers em Dados não Vistos de Séries Temporais por meio de Erros de Predição com SARIMA e Redes Neurais Recorrentes LSTM e GRU. 2021. Mestrado Profissionalizante – Universidade de São Paulo, São Carlos, 2021. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55137/tde-21012022-175531/. Acesso em: 18 nov. 2024. -
APA
Migliato, A. L. T. (2021). Detecção de Outliers em Dados não Vistos de Séries Temporais por meio de Erros de Predição com SARIMA e Redes Neurais Recorrentes LSTM e GRU (Mestrado Profissionalizante). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55137/tde-21012022-175531/ -
NLM
Migliato ALT. Detecção de Outliers em Dados não Vistos de Séries Temporais por meio de Erros de Predição com SARIMA e Redes Neurais Recorrentes LSTM e GRU [Internet]. 2021 ;[citado 2024 nov. 18 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55137/tde-21012022-175531/ -
Vancouver
Migliato ALT. Detecção de Outliers em Dados não Vistos de Séries Temporais por meio de Erros de Predição com SARIMA e Redes Neurais Recorrentes LSTM e GRU [Internet]. 2021 ;[citado 2024 nov. 18 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55137/tde-21012022-175531/
Informações sobre o DOI: 10.11606/D.55.2021.tde-21012022-175531 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
