Uma abordagem espaço-temporal para aprendizado em conjunto usando redes ConvLSTM

• Ano de defesa: 2018
• Autor(a) principal: Souto, Yania Molina
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Laboratório Nacional de Computação Científica; Coordenação de Pós-Graduação e Aperfeiçoamento (COPGA); Brasil; LNCC; Programa de Pós-Graduação em Modelagem Computacional
• Palavras-chave em Português: Redes neurais (Computação); Aprendizagem; Aprendizagem em conjunto; Ensembles; CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO
• Link de acesso: https://tede.lncc.br/handle/tede/296

Diariamente cresce o número de sensores, radares, objetos de todo tipo que disponibilizam dados espaço-temporais constantemente, com resoluções diferentes, desde dados globais gerados por satélites até regionais disponibilizados por estações meteorológicas ou celulares. Toda essa disponibilidade de informação tem permitido desenvolver um sem número de modelos para resolver fenômenos diversos de natureza espaço-temporal. Dentro das áreas beneficiadas podemos citar a meteorologia, onde os avanços nos modelos de previsão do tempo têm sido consideráveis. No entanto, este avanço vai acompanhado de grandes desafios. Os dados são coletados com uma distribuição espacial não homogênea, devido à localização geográfica dos dispositivos que alimentam os processos de assimilação de dados. Assim, existem regiões onde a informação é abundante, enquanto outras são analisadas com poucos dados e cujas fontes apresentam níveis de qualidade e incertezas que variam. Finalmente, esses conjuntos servem de entrada para construir os modelos de fenômenos em estudo ou como condições inicias quando são inicializados para gerar novas previsões. Chega-se portanto a um cenário em que se tem um grande número de modelos, construídos sob critérios distintos, que geram simulações com diferentes qualidades preditivas, cujas variações podem ser interpretadas como incerteza na previsão do fenômeno. As estratégias de previsão em conjunto (ensembles) surgem para resolver problemas desta natureza. Utilizando a combinação das previsões resultantes da aplicação de múltiplos modelos se tenta melhorar a qualidade preditiva do conjunto. Os métodos de aprendizagem em conjunto existentes estão limitados à exploração dos padrões temporais, sem explorar dependências espaciais, o que poderia gerar critérios ou métricas de qualidade mais precisos. Este trabalho propõe uma abordagem de conjunto espaço-temporal baseada em redes neurais profundas que permite a exploração simultânea dos padrões nas dimensões espaço e tempo. Para tanto, adotamos uma arquitetura de rede Convolutional Long Short-Term Memory, que modela séries espaço-temporais como matrizes regulares.