FenixEdu™

Dissertação

{en_GB=MSAX: Multivariate symbolic aggregate approximation for time series classification} {} EVALUATED

Detalhes: {pt=A análise de séries temporais (TS) é um tópico de pesquisa central em áreas como finanças, bioinformática e previsão do tempo, em que o objetivo é extrair conhecimento através de técnicas de data mining. O Symbolic aggregate approximation (SAX) é um método actual que realiza discretização e redução de dimensionalidade para TS univariadas. Estas são abordagens chaves para representação e análise de TS. Neste trabalho, propomos o MSAX, uma extensão deste algoritmo para TS multivariadas que toma em consideração a estrutura de covariância dos dados. O método é testado em vários conjuntos de dados, incluindo os datasets Pen Digits e Character Trajectories e mais doze datasets de referência. Em alguns dos testes feitos, o MSAX exibe desempenho comparável com métodos actuais em termos de precisão de classificação. Embora não seja superior a 1-NN e DTW, possui características interessantes para alguns cassos e, portanto, enriquece o conjunto de métodos para analisar TS multivariadas., en=Time series (TS) analysis is a central research topic in areas such as bioinformatics, finance, and weather forecasting, where the goal is to extract knowledge through data mining techniques. Symbolic aggregate approximation (SAX) is a state-of-the-art method that performs discretization and dimensionality reduction for univariate TS, which are critical steps for TS representation and analysis. Due to its good results, SAX has had a great number of applications in TS analysis tasks, nonetheless, in multivariate cases, its direct application to each variable individually does not consider the relationship between the attributes. In this work, we propose MSAX, an extension of this discretization algorithm to multivariate TS that considers all variables simultaneously and their relations trough the covariance structure of the data. The method is tested in several datasets, including the Pen Digits, Character Trajectories, and other twelve benchmark files. Depending on the experiment, MSAX exhibits comparable performance with state-of-the-art methods in terms of classification accuracy. Although not superior to well-known classification methods like the first nearest neighbour with Dynamic Time Warping, it has interesting characteristics for some cases, and thus enriches the set of methods to analyze multivariate TS.}
Keywords: {pt=SAX, Séries Temporais, Classificação, Análise Multivariada, en=SAX, Time Series, Classification, Multivariate Anlysis}

Discussão: novembro 21, 2019, 16:0