Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Kashiwabara, Andre Yoshiaki | - |
Autor(es): dc.contributor | 0000-0003-3280-2035 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/3194328548975437 | - |
Autor(es): dc.contributor | Kashiwabara, Andre Yoshiaki | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/3194328548975437 | - |
Autor(es): dc.contributor | Lopes, Fabricio Martins | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/1660070580824436 | - |
Autor(es): dc.contributor | Barbon Junior, Sylvio | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/8086324432194233 | - |
Autor(es): dc.creator | Uzai, Luis Gustavo de Carvalho | - |
Data de aceite: dc.date.accessioned | 2022-02-21T21:58:51Z | - |
Data de disponibilização: dc.date.available | 2022-02-21T21:58:51Z | - |
Data de envio: dc.date.issued | 2020-11-02 | - |
Data de envio: dc.date.issued | 2020-11-02 | - |
Data de envio: dc.date.issued | 2019-08-15 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/5452 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/665102 | - |
Descrição: dc.description | Time series are a sequence of values distributed over time. Analyzing time series is important in many areas, including medical, financial, aerospace, commercial, and entertainment. Change point detection is the problem of identifying change in the meaning or distribution of data in a time series. The academic and commercial interest in the subject has been increased in the last decade due to the increase of power and complexity of sensors, as well as the advance of technological processes, which allowed the capture and recognition of a large volume of data. Many widely used algorithms find it difficult to achieve optimal results when the number of dimensions increases or the data volume grows exponentially, there are also time series where most algorithms do not have satisfactory results (over 0.80 precision) even considering twodimensional data as in context-based distributions. Most known algorithms are more efficient in specific scenarios and less efficient in others, so a greater number of solution options increases the likelihood that the user will get an algorithm that best meets their needs. Solutions to these issues are of great ecological and economic interest. The objective of this work is the development of an unsupervised change point detection algorithm that is applicable in series with multiple change points and large data volume with high precision. To achieve this goal, the new SpecDetec method was developed, an algorithm that uses graph spectrum clustering to detect shift points. The algorithm was published in a package in CRAN as SpecDetec and is available for unrestricted use. The SpecDetec was evaluated using the UCR Archive which is a large database of different time series. The performance of SpecDetec has been compared with other state-of-the-art algorithms for detecting shift points. The results showed that graph spectrum clustering is an efficient technique for detecting shift points, as Spec has achieved better accuracy compared to the state of the art in some specific scenarios and is as efficient as in most cases evaluated. In contexts where it is possible to support a tolerance of up to 0.05, SpecDetec is recommended as it was superior to other algorithms in most databases. | - |
Descrição: dc.description | Séries temporais são sequência de valores distribuídos ao longo do tempo. Analisar séries temporais é importante em várias áreas, incluindo médica, financeira, aeroespacial, comercial e entretenimento. Detecção de pontos de mudança é o problema em identificar a mudança no significado ou distribuição dos dados em uma série temporal. O interesse acadêmico e comercial no tema foi ampliado na ultima década devido ao aumento de potência e complexidade de sensores, além do avanço de processos tecnológicos, que, possibilitaram a captura e reconhecimento de um grande volume de dados. Muitos algoritmos amplamente utilizados na atualidade tem dificuldade para chegar em resultados ótimos quando o número de dimensões aumenta ou o volume de dados cresce exponencialmente, também existem séries temporais onde a maioria dos algoritmos não possui resultados satisfatórios (mais de 0.80 de precisão) mesmo considerando dados bidimensionais como em distribuições baseadas em contexto. A maioria dos algoritmos conhecidos e mais eficiente em cenários específicos e menos em outros, por tanto, um número maior de opções de soluções aumenta a probabilidade do usuário obter um algoritmo que atenda melhor suas necessidades. Soluções para essas questões são de grande interesse ecológico e econômico. O objetivo deste trabalho é o desenvolvimento de um algoritmo para detecção de pontos de mudança, não supervisionado que seja aplicável em séries com múltiplos pontos de mudança e com um grande volume de dados com alta precisão. Para atingir esse objetivo foi desenvolvido o novo método SpecDetec, um algoritmo que utiliza o agrupamento com espectro de grafo para detectar pontos de mudança. O algoritmo foi publicado em um pacote no CRAN como SpecDetec e está disponível para uso de forma irrestrita. O SpecDetec foi avaliado utilizando o UCR Archive que e uma grande base de dados de diferentes séries temporais. A performance do SpecDetec foi comparado com outros algoritmos que representam o estado da arte na detecção de pontos de mudança. Os resultados mostraram que agrupamento com espectro do grafo e uma técnica eficiente para detecção de pontos de mudança, pois o SpecDetec alcançou uma exatidão melhor em comparação ao estado da arte em alguns cenários específicos e tão eficiente quanto na maioria dos casos avaliados. Em contextos onde é possível suportar uma tolerância de até 0.05 o SpecDetec é recomendado pois se mostrou superior aos outros algoritmos na maioria das bases de dados. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Cornelio Procopio | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Programa de Pós-Graduação em Informática | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | openAccess | - |
Palavras-chave: dc.subject | Análise de séries temporais | - |
Palavras-chave: dc.subject | Inteligência artificial | - |
Palavras-chave: dc.subject | Teoria dos grafos | - |
Palavras-chave: dc.subject | Time-series analysis | - |
Palavras-chave: dc.subject | Artificial intelligence | - |
Palavras-chave: dc.subject | Graph theory | - |
Palavras-chave: dc.subject | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | - |
Palavras-chave: dc.subject | Ciência da Computação | - |
Título: dc.title | Detecção de ponto de mudança em séries temporais utilizando o espectro do grafo | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: