MODELAGEM E PREVISÃO DE SEQUÊNCIAS COM MINERAÇÃO DE PROCESSOS E CADEIAS DE MARKOV

INTRODUÇÃO: A previsão de eventos tornou-se uma atividade essencial em diversas áreas do conhecimento, sendo as RNNs as mais requisitadas para essa tarefa. O problema é que elas não permitem entender o raciocínio por trás da previsão. Em compensação, outras técnicas podem ser adotadas, como a mineração de processos combinada com cadeias de Markov. OBJETIVOS: Desenvolver, implementar e comparar modelos de previsão baseados em sequências temporais, a fim de analisar diferentes métodos de predição. MATERIAIS E MÉTODO: O método empregado neste trabalho, dados os eventos anteriores, busca prever eventos futuros, utilizando técnicas de mineração de processos e de cadeias de Markov. Ele se divide em seis principais etapas, sendo elas: preparação de dados, que consiste em tratar dados faltantes e duplicatas, bem como a organização cronológica e a geração de três bases de dados (SVP, SVE e CTM); criação do grafo DFG; criação do modelo preditivo, gerado por meio da matriz de adjacência; predição do modelo, que ocorre com a criação de um dicionário de codificação e a realização da codificação dos dados do SVP; avaliação do modelo por meio de métricas como acurácia, recall e top-3 de acurácia; e, por último, a simplificação do grafo, podendo realizar o agrupamento e a filtragem dos dados. RESULTADOS: O método empregado neste trabalho, dados os eventos anteriores, busca prever eventos futuros, utilizando técnicas de mineração de processos e de cadeias de Markov. Ele se divide em seis principais etapas, sendo elas: preparação de dados, que consiste em tratar dados faltantes e duplicatas, bem como a organização cronológica e a geração de três bases de dados (SVP, SVE e CTM); criação do grafo DFG; criação do modelo preditivo, gerado por meio da matriz de adjacência; predição do modelo, que ocorre com a criação de um dicionário de codificação e a realização da codificação dos dados do SVP; avaliação do modelo por meio de métricas como acurácia, recall e top-3 de acurácia; e, por último, a simplificação do grafo, podendo realizar o agrupamento e a filtragem dos dados. CONSIDERAÇÕES FINAIS: A aplicação do método atingiu os resultados esperados, superando as expectativas em relação à acurácia e ao recall do modelo de cadeias de Markov, além de apresentar bom desempenho em tempo de treino e de predição. Os resultados obtidos evidenciaram o poder de generalização do método utilizado, podendo ainda trazer benefícios à sociedade, mostrando-se bastante eficiente no contexto aplicado e contribuindo para pesquisas no âmbito da Mineração de Processos, por meio de cadeias de Markov.

PALAVRAS-CHAVE: 1Cadeias de Markov; Predição de Sequências; Mineração de Processos; Condições Climáticas.