CLASSIFICAÇÃO DE SÉRIES TEMPORAIS A PARTIR DE REPRESENTAÇÕES VISUAIS E APRENDIZAGEM PROFUNDA

INTRODUÇÃO: Séries temporais são dados gerados a partir de medições sequenciais de algum fenômeno observado ao longo do tempo e estão presentes em variadas tarefas e aplicações de Aprendizagem de Máquina. Na área de Mineração de Séries Temporais, são utilizados algoritmos para a descoberta e extração de padrões sequenciais para apoiar tarefas como agrupamento e classificação. Entretanto, em muitos problemas, identificar padrões em séries temporais representadas em sua forma primitiva no tempo, pode ser um desafio. Nesse sentido, esse projeto explora a transformação desses dados em imagens de duas dimensões. OBJETIVOS: O principal objetivo deste projeto é investigar, avaliar e comparar o desempenho preditivo de algoritmos de Aprendizagem Profunda na tarefa de classificação de séries temporais utilizando variadas representações visuais. Por meio de uma pesquisa experimental, buscou-se responder neste projeto se classificadores de Aprendizagem Profunda são capazes de superar o desempenho preditivo de abordagens tradicionais, como o algoritmo 1NN. Além disso, a pesquisa busca identificar qual a arquitetura de CNN e representação visual de séries temporais são mais adequadas ao problema estudado. MATERIAIS E MÉTODO: Foram investigadas diferentes arquiteturas do modelo de redes neurais convolucionais (Convolutional Neural Networks – CNN) na tarefa de classificação de séries temporais envolvendo imagens geradas por transformações como Continuous Wavelet Transform (CWT), Markov Transition Field (MTF), Gramian Angular Field (GAF) e Recurrence Plot (RP). Entre as arquiteturas pesquisadas e avaliadas, pode-se citar: LeNet, AlexNet, VGG, GoogleNet, Resnet e Densenet. Todos os resultados foram analisados com base em uma avaliação experimental envolvendo 100 conjuntos de dados de séries temporais provenientes do repositório UCR. RESULTADOS: Primeiramente, é possível observar que a arquitetura GoogleNet demonstrou um desempenho superior em comparação com as outras cinco arquiteturas avaliadas. Entre as representações visuais, tanto a representação GAF-DIFF quanto a representação MTF-GAF-RP, proposta neste projeto de pesquisa e que combina diferentes representações em uma única imagem, apresentaram os maiores resultados. Por fim, nota-se que os resultados obtidos pelo algoritmo CNN considerando representações visuais de séries temporais, são capazes de superar o método de comparação (baseline), composto pelo algoritmo 1NN que considera as séries temporais em sua representação primitiva no tempo. CONSIDERAÇÕES FINAIS: Este projeto de pesquisa foi realizado com o objetivo principal de investigar e avaliar o desempenho preditivo de diferentes representações visuais e arquiteturas de redes neurais convulsionais na classificação de séries temporais. Como conclusão, nota-se que o uso de representações visuais é capaz de fornecer uma interpretação enriquecida dos dados de séries temporais. A partir de uma ampla avaliação experimental envolvendo diferentes representações e algoritmos, foi possível verificar a partir da análise de mais de 3 mil resultados, que a abordagem proposta é capaz de superar métodos da literatura que consideram as séries temporais em sua representação primitiva no tempo, em 1 dimensão. No entanto, uma das principais realizações que emergiram durante esse projeto foi a aquisição de uma compreensão mais profunda sobre a importância da seleção cuidadosa de representações e arquiteturas para maximizar o desempenho dos modelos.

PALAVRAS-CHAVE: Série temporal; Deep learning; Classificação; Transformação de séries temporais; Redes neurais convulsionais.