Dissertação

{en_GB=Intelligent time-series forecasting and event prediction for Predictive Maintenance in IT systems} {} EVALUATED

{pt=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., en=Nowadays, most Information Technology systems already perform Condition-based Maintenance, which provides an overview of a system's condition in real-time and stores its behaviour (in the form of time-series). A Predictive Maintenance approach can use this historical data to apply planning corrective maintenance based on predictions about a system's evolution. This work intends to provide useful research in the scope of Predictive Maintenance through the study of the best approaches and algorithms to perform time-series forecasting and event prediction within the Information Technology domain. The state-of-the-art intelligent methods for time-series modelling were studied, as well as the most promising methods developed for other domains with existent literature ahead of time-series (like Natural language Processing). The main focus was on Machine Learning techniques - from the primary Feed-forward Neural Networks all the way to the more recent and complex Transformers. For the time-series forecasting, none of the experimented models performed satisfactorily. However, it was notable that with the increase of complexity and size of the model's architectures, they learned to output "dummy" forecasts like a naive approach or a constant value, which although not useful, minimise the evaluation metrics. For the event prediction problems, a preprocessing step to detect oscillations in the input datasets significantly boosted the algorithms' performances. Furthermore, the results obtained were not ideal but satisfactory enough to be useful, and the model that showed the best results was the Feed-forward Neural Network. Finally, it is possible to adjust the predictions' sensitivity with the tuning of a data preprocessing factor.}
{pt=Séries Temporais; Previsão de Eventos., en=Time-series forecasting; Event prediction.}

Maio 24, 2021, 17:30

Orientação

ORIENTADOR

Ricardo Carvalho

Identity

Especialista

ORIENTADOR

João Paulo Baptista de Carvalho

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Associado