Dissertação
Intelligent time-series forecasting and event prediction for Predictive Maintenance in IT systems EVALUATED
Hoje em dia a maioria dos sistemas de tecnologia da informação já executa uma monitorização que permite observar o estado do sistema em tempo real e registar o seu comportamento (na forma de séries temporais). Estes dados históricos podem ser usados para planear uma manutenção preventiva, baseada em previsões da evolução futura do sistema. Neste trabalho foi fetio um estudo em busca das melhores técnicas para modelar séries temporais e prever eventos, no âmbito da manutenção preditiva na tecnologia da informação. Foram analisados os algoritmos inteligentes presentes na literatura para estes problemas, bem como uma adaptação dos algoritmos desenvolvidos noutros domínios, como processamento de linguagem natural, que têm tido mais avanços recentemente. O estudo focou-se em algoritmos de aprendizagem automática -- desde as redes neuronais mais simples, como as Feed-forward, até aos modelos mais complexos como o Transformer. Para a previsão de séries temporais, nenhum dos modelos testados teve resultados satisfatórios, mas pôde ver-se que com o aumento do tamanho e complexidade das redes neuronais utilizadas, estas conseguiam aprender a produzir resultados "cegos", como a Naive approach, que apesar de inúteis reduziram os erros das métricas de avaliação usadas. Para a previsão de eventos, uma técnica para detetar oscilações nos dados de entrada melhorou significativamente a performance dos modelos. A rede neuronal Feed-forward foi a que apresentou melhores resultados que, apesar de não ideais, foram bons os suficiente para terem utilidade prática. Finalmente, conseguiu-se também ajustar a sensibilidade das previsões de eventos ao regular um parâmetro no pré-processamento dos dados.
maio 24, 2021, 17:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
João Paulo Baptista de Carvalho
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Associado