Incorporando as irregularidades de dados em séries temporais multivariadas.

• Ano de defesa: 2024
• Autor(a) principal: Barros, Marcel Rodrigues de
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Análise de séries temporais; Aprendizado computacional; Data irregularities; Maré (Previsão); Multivariate time series; Nachine learning; Redes neurais; Time encoding
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3141/tde-21082025-134723/

Incorporando as Irregularidades de Dados em Séries Temporais Multivariadas. Dados de séries temporais multivariadas (MTS) são predominantes em diversos domínios, como ciência climática, saúde, finanças e operações industriais, desempenhando papel crucial no monitoramento e na previsão do comportamento de sistemas. No entanto, MTS do mundo real frequentemente apresentam irregularidades, como dados ausentes, observações assíncronas e taxas de amostragem variáveis, que impõem desafios significativos aos modelos convencionais de aprendizado de máquina. Métodos tradicionais geralmente regularizam os dados de MTS, introduzindo ineficiências e ignorando o valor inerente dessas irregularidades. Esta tese propõe novas definições e abordagens para processar irregularidades em MTS de forma direta, sem a necessidade de extenso pré-processamento, melhorando, assim, o desempenho do modelo e simplificando os fluxos de dados. A questão central desta pesquisa é saber se uma arquitetura unificada de aprendizado de máquina pode lidar de maneira eficaz tanto com MTS regulares quanto irregulares. Para esse fim, apresentamos a nova arquitetura de aprendizado de máquina GAMR, que integra redes neurais recorrentes (RNNs) e redes neurais baseadas em grafos (GNNs), permitindo capturar dependências tanto temporais quanto entre diferentes sensores. Um dos principais avanços é o desenvolvimento do mecanismo GATE, projetado para lidar com intervalos irregulares entre observações, o que aprimora a capacidade do modelo de gerenciar dados ausentes e taxas de amostragem variáveis. A arquitetura foi validada em colaboração com dois grupos de pesquisa: a equipe Neural Motion Estimation (NeMo), que foca na previsão do comportamento dinâmico de plataformas de petróleo offshore, e a iniciativa Oceanography-Informed Machine Learning (OceanML), dedicada à detecção precoce de marés de tempestade extremas a partir de dados multimodais. Os resultados demonstram que o modelo supera abordagens tradicionais ao usar as irregularidades como informações relevantes, em vez de pré-processá-las. As descobertas têm implicações significativas para o avanço da análise de MTS em aplicações complexas do mundo real, onde irregularidades são a regra, e não a exceção.