FenixEdu™

Dissertação

{en_GB=Time series analysis using restricted Boltzmann machines and dynamic Bayesian networks} {} EVALUATED

Detalhes: {pt=O estudo de séries temporais multivariadas é considerado um tópico importante, sendo usadas com regularidade para representar a evolução de um conjunto de variáveis. Esta representação é feita através de uma larga variedade de métodos, de entre os quais as redes de Bayes dinâmicas (DBNs) se apresentam como um dos mais populares. Algumas aplicações incluem a modelação de conjuntos de dados e a predição de valores futuros com base em observações prévias, ignorando no entanto relações latentes presentes ao longo intervalo de tempo que podem ajudar a identificar laços entre variáveis que influenciem a sua evolução. A utilização de métodos que aceitam e modelam estas relações latentes pode ser visto como uma possível extensão para estes algoritmos. Um novo método é desenvolvido onde um conjunto de DBNs é gerado para a tarefa de classificação, sendo os dados previamente processados por máquinas de Boltzmann restritas (RBMs), um método estocástico e não dirigido utilizado para reaver relações intra-temporais que estejam presentes ao longo do intervalo de tempo, representado-as através de variáveis latentes. O método desenvolvido é validado e o impacto do uso de RBMs avaliado, primeiramente em conjuntos de dados artificiais e posteriormente em dados reais. O pré-processamento dos dados é bem sucedido no que toca a modelar as relações entre variáveis presentes, trazendo vantagens em relação ao seu não pré-processmento quando a complexidade das relações aumenta. Os resultados obtidos são analisados, algumas propostas são feitas para possíveis melhoramentos em conjunto com cenários onde este pré-processamento dos dados deverá trazer benefícios., en=The study of multivariate time series is considered an important and complex topic, since these are commonly used to represent the evolution of a set of variables across a time frame. This representation is done through a wide range of methods, of which dynamic Bayesian networks (DBNs) are one of the most popular. These methods can be applied to model a given dataset and predict future values based on past observations, but tend to overlook hidden relationships that are present along the time frame and that can help identify some key bonds between variables that shape their evolution. The usage of methods that accept and model these hidden relationships can be seen as a possible extension to these algorithms. A novel approach is developed where a series of DBNs is generated for the task of classification, but in which the data is pre-processed by restricted Boltzmann machines (RBMs), a non-directed and stochastic method used to retrieve intra-temporal relationships present across the given time frame, represented by hidden units. The developed method is validated and the impact of using RBMs evaluated, primarily on artificial datasets and later on real data. The pre-processing of the data is shown to be successful in modeling the variable relationships present, bringing an advantage over the non-processed counterpart when the complexity between feature relationships increases. The obtained results are analyzed, some proposals are made for possible future improvements along with suggested scenarios where a pre-processing of the data by non-directed methods should be of benefit.}
Keywords: {pt=séries temporais multivariadas, redes de Bayes dinâmicas, máquinas de Boltzmann restritas, predição, classificação, en=multivariate time series, dynamic Bayesian networks, restricted Boltzmann machines, prediction, classification}

Discussão: novembro 25, 2019, 14:30