Dissertação

Model-based Learning in Multivariate Time Series EVALUATED

Séries temporais multivariadas são um tópico muito ativo na comunidade de científica e muitas tarefas de aprendizagem automática são usadas para extrair informações desse tipo de dados. No entanto, no mundo real existem muitos problemas, os dados podem ter valores ausentes e pode não haver informações prévias sobre os grupos, o que pode dificultar a aplicação destas técnicas. Assim, esta tese incidirá sobre tarefas de imputação e agrupamento. Muitos métodos de imputação de séries temporais são baseados em métodos de regressão; no entanto, esse tipo de método não consegue capturar as relações entre as variáveis das séries temporais categóricas multivariadas. Como tal, esta tese propõe um novo método de imputação baseado em Dinamic Bayesian Networks. A tarefa de clustering tenta agrupar séries temporais semelhantes. Os métodos de estado da arte podem ser divididos em dois tipos: os que usam uma distância personalizada e depois usam um método de agrupamento tradicional como k-means; e os que usam modelos para agrupar séries temporais semelhantes. No entanto, a maioria desses métodos não têm em consideração a relação entre as variáveis. Como tal, esta tese propõe um novo método de clustering que use Dinamic Bayesian Multinets para agrupar séries temporais similares. Os métodos propostos são avaliados em dados sintéticos, mostrando que supera os métodos de estado da arte, em ambas as tarefas. Outros testes experimentais são realizados utilizando conjuntos de dados reais, sendo que é mostrado que os métodos propostos são mais consistentes do que os métodos de estado da arte.
Clustering, Imputação, Séries Temporais Multivariadas, Redes de Bayes Dinâmicas, Variáveis discretas

Novembro 9, 2018, 9:30

Documentos da dissertação ainda não disponíveis publicamente

Orientação

ORIENTADOR

Alexandra Sofia Martins de Carvalho

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar

ORIENTADOR

Helena Isabel Aidos Lopes

FCUL

Professor Auxiliar