IMPACTO DAS ESTRATÉGIAS DE POOLING NO DESEMPENHO DE CLASSIFICADORES DE SÉRIES TEMPORAIS

INTRODUÇÃO: Dados de série temporais estão presentes nos mais variados domínios, desde monitoramento fisiológico ao registro de dados econômicos. Uma característica inerente deste tipo de dado, é a alta dimensionalidade, responsável pelo aumento nos custos de armazenamento e tempo de processamento de séries temporais. Nessa direção, este projeto investigou o impacto de técnicas/estratégias de pooling para a redução de dimensionalidade de séries temporais em problemas de classificação supervisionada. OBJETIVOS: Avaliar a relação entre a acurácia das classificações e o tempo de execução sob diferentes métricas matemáticas, conjunto de dados e modelos, visando identificar pontos de interesse comum para redução de dimensionalidade. MATERIAIS E MÉTODO: Foi utilizada abordagem experimental onde executamos códigos em Python com os módulos aeon, numpy e scikit-learn para triar, processar e reduzir os conjuntos de dados de benchmark do repositório UCR, depois aplicando modelos de classificação de famílias diferentes em cada uma das combinações de redução de dimensionalidade e métrica. RESULTADOS: A análise dos resultados mostrou que, para determinados grupos (alta colinearidade, curvas moduladas e sintéticas, contorno fechado e trajetórias não-estacionárias), houve aumento expressivo no desempenho, tanto de acurácia como a diminuição em até 10x o tempo de inferência, enquanto outros grupos (transientes e esparsos, cíclicos com motifs) sofreram degradação de desempenho. CONSIDERAÇÕES FINAIS: No geral, a escolha da redução ou não (ou até que ponto reduzir) é extremamente particular a cada caso, principalmente considerando a natureza do conjunto de dados e o modelo utilizado. Entretanto, há, sim, margem de melhora possível tanto nos resultados quanto no tempo de execução a depender do grupo do conjunto de dados.

PALAVRAS-CHAVE: Séries temporais; Pooling; Classificação de dados; Redução de dimensionalidade.