AVALIAÇÃO DA PRESERVAÇÃO ESTRUTURAL DE SÉRIES TEMPORAIS APÓS REDUÇÃO DE DIMENSIONALIDADE

INTRODUÇÃO: A redução de dimensionalidade é uma etapa importante na mineração de séries temporais, essencial para mitigar os custos computacionais impostos pela alta dimensionalidade dos dados. Embora diversas técnicas existam na literatura, frequentemente falta uma análise unificada que correlacione a eficiência computacional, a preservação da estrutura local e o desempenho preditivo real dessas técnicas. OBJETIVOS: O objetivo central foi identificar técnicas que garantam a eficácia preditiva, avaliando o impacto da degradação da informação original, por meio da investigação do comportamento de onze métodos de redução de dimensionalidade aplicados a vinte e dois conjuntos de dados. MATERIAIS E MÉTODO: A metodologia empregou um protocolo experimental automatizado utilizando o modelo estado da arte em classificação de séries temporais (ROCKET), submetido a cinco taxas de retenção distintas. Na avaliação experimental, foram considerados 22 datasets de benchmark do repositório UCR, que contam com dados de alta dimensionalidade. RESULTADOS: Os resultados demonstraram que métodos de agregação simples, notadamente o Piecewise Aggregate Approximation (PAA), superam abordagens complexas, apresentando a menor perda de acurácia global e um custo computacional significativamente reduzido. Adicionalmente, a investigação revelou uma baixa correlação entre a preservação da vizinhança e o desempenho preditivo do classificador, indicando que a integridade da vizinhança local não é uma condição necessária para o sucesso na classificação. Ficou evidenciado que técnicas como o PAA e o Uniform Downsampling (UD) oferecem o melhor equilíbrio entre eficiência e estabilidade frente a compressões severas, sendo mais adequadas para aplicações em larga escala e sistemas de tempo real. Em contraste, métodos baseados em redes neurais apresentaram desempenhos competitivos, porém com custos de processamento que podem inviabilizar seu uso em cenários de alta restrição de recursos. CONSIDERAÇÕES FINAIS: As conclusões deste trabalho reforçam que a escolha de um método de redução deve ser orientada primariamente pela natureza dos dados e pelos requisitos do pipeline de classificação, em vez de apenas pela complexidade algorítmica ou métricas puramente estruturais.

PALAVRAS-CHAVE: Séries temporais; Redução de dimensionalidade; Eficiência computacional; Classificação.