Embracing data irregularities in multivariate time series (2024)
- Authors:
- Autor USP: BARROS, MARCEL RODRIGUES DE - EP
- Unidade: EP
- Sigla do Departamento: PCS
- Subjects: ANÁLISE DE SÉRIES TEMPORAIS; APRENDIZADO COMPUTACIONAL; REDES NEURAIS; MARÉ
- Language: Inglês
- Abstract: Incorporando as Irregularidades de Dados em Séries Temporais Multivariadas. Dados de séries temporais multivariadas (MTS) são predominantes em diversos domínios, como ciência climática, saúde, finanças e operações industriais, desempenhando papel crucial no monitoramento e na previsão do comportamento de sistemas. No entanto, MTS do mundo real frequentemente apresentam irregularidades, como dados ausentes, observações assíncronas e taxas de amostragem variáveis, que impõem desafios significativos aos modelos convencionais de aprendizado de máquina. Métodos tradicionais geralmente regularizam os dados de MTS, introduzindo ineficiências e ignorando o valor inerente dessas irregularidades. Esta tese propõe novas definições e abordagens para processar irregularidades em MTS de forma direta, sem a necessidade de extenso pré-processamento, melhorando, assim, o desempenho do modelo e simplificando os fluxos de dados. A questão central desta pesquisa é saber se uma arquitetura unificada de aprendizado de máquina pode lidar de maneira eficaz tanto com MTS regulares quanto irregulares. Para esse fim, apresentamos a nova arquitetura de aprendizado de máquina GAMR, que integra redes neurais recorrentes (RNNs) e redes neurais baseadas em grafos (GNNs), permitindo capturar dependências tanto temporais quanto entre diferentes sensores. Um dos principais avanços é o desenvolvimento do mecanismo GATE, projetado para lidar com intervalos irregulares entre observações, o que aprimora a capacidade do modelo de gerenciar dados ausentes e taxas de amostragem variáveis. A arquitetura foi validada em colaboração com dois grupos de pesquisa: a equipe Neural Motion Estimation (NeMo), que foca na previsão do comportamento dinâmico de plataformas de petróleo offshore, e a iniciativa Oceanography-Informed MachineLearning (OceanML), dedicada à detecção precoce de marés de tempestade extremas a partir de dados multimodais. Os resultados demonstram que o modelo supera abordagens tradicionais ao usar as irregularidades como informações relevantes, em vez de pré-processá-las. As descobertas têm implicações significativas para o avanço da análise de MTS em aplicações complexas do mundo real, onde irregularidades são a regra, e não a exceção.
- Imprenta:
- Data da defesa: 12.11.2024
-
ABNT
BARROS, Marcel Rodrigues de. Embracing data irregularities in multivariate time series. 2024. Tese (Doutorado) – Universidade de São Paulo, São Paulo, 2024. Disponível em: https://www.teses.usp.br/teses/disponiveis/3/3141/tde-21082025-134723/pt-br.php. Acesso em: 31 dez. 2025. -
APA
Barros, M. R. de. (2024). Embracing data irregularities in multivariate time series (Tese (Doutorado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/3/3141/tde-21082025-134723/pt-br.php -
NLM
Barros MR de. Embracing data irregularities in multivariate time series [Internet]. 2024 ;[citado 2025 dez. 31 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3141/tde-21082025-134723/pt-br.php -
Vancouver
Barros MR de. Embracing data irregularities in multivariate time series [Internet]. 2024 ;[citado 2025 dez. 31 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3141/tde-21082025-134723/pt-br.php - Improving LLMs’ reasoning and planning with finite-state machines
- Improving current forecast by leveraging measured data and numerical models via LiESNs
- Embracing data irregularities in multivariate time series with recurrent and graph neural networks
- A physics-informed neural network to model port channels
- A physics-informed neural operator for the simulation of surface waves
- Early detection of extreme storm tide events using multimodal data processing
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
