Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Zarpelão, Bruno Bogaz | - |
Autor(es): dc.contributor | Kaster, Daniel dos Santos | - |
Autor(es): dc.contributor | Miani, Rodrigo Sanches | - |
Autor(es): dc.contributor | Barbon Junior, Sylvio | - |
Autor(es): dc.creator | Silva, Vitor de Castro | - |
Data de aceite: dc.date.accessioned | 2025-05-15T12:59:26Z | - |
Data de disponibilização: dc.date.available | 2025-05-15T12:59:26Z | - |
Data de envio: dc.date.issued | 2024-10-21 | - |
Data de envio: dc.date.issued | 2024-10-21 | - |
Data de envio: dc.date.issued | 2024-04-19 | - |
Fonte completa do material: dc.identifier | https://repositorio.uel.br/handle/123456789/18196 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/978312 | - |
Descrição: dc.description | Existem diversos algoritmos de Aprendizado de Máquina para modelar séries temporais para problemas de classificação, previsão e clusterização. Entretanto, séries temporais podem apresentar características que complicam essas tarefas, como padrões recorrentes e variações sazonais. A segmentação de séries temporais pode ser uma solução para esses problemas, mas as abordagens existentes precisam ser melhoradas. Várias delas utilizam regressão linear para solucionar problemas como detecção de mudanças no comportamento da série, ignorando ferramentas desenvolvidas especificamente para resolver esse tipo de problema, como detectores de mudança. Além disso, o conceito de explicabilidade raramente é abordado na segmentação de séries temporais. Para identificar diferentes padrões de séries temporais usando técnicas apropriadas e ao mesmo tempo prover explicabilidade, nós criamos a eXplainable Time Series Tree, ou XTSTree. A XTSTree transforma uma série temporal em uma árvore binária, dividindo-a de forma hierárquica de acordo com um critério baseado em detectores de mudança e encontrando um ponto de corte que cria as duas sub-séries mais diferentes entre si. O processo de segmentação continua até que chegue em um critério de parada baseado em um teste de estacionariedade que indica que a série tem um comportamento suficientemente homogêneo. A XTSTree abre caminho para uma explicação mais compreensível de padrões e também oferece suporte para o uso de outras abordagens explicáveis. Nosso estudo aplicou a XTSTree em diversas séries temporais reais para isolar os seus diferentes comportamentos. Para avaliar a eficácia da XTSTree, nós usamos uma implementação de Regressão Simbólica usando programação genética para encontrar a melhor representação da série e suas divisões usando fórmulas algébricas, e comparamos as diferenças em diversas métricas antes e depois da XTSTree. Mostramos uma melhora em complexidade da fórmula, melhorando a acurácia do modelo quando comparado com a série temporal original | - |
Descrição: dc.description | A wide range of Machine Learning algorithms can model time series to address classification, forecasting, and clustering problems. However, time series may exhibit characteristics that complicate these tasks, such as repeating patterns and seasonal variations. Time series segmentation could be a solution to these problems, but current approaches need to be improved. Most of them employ linear regression to solve problems such as detecting changes in a series’ behaviour, bypassing tools specifically designed for these challenges, such as change detectors. Moreover, explainability is seldom taken into account during time series segmentation. To automatically identify different time series patterns using appropriate techniques while leveraging explainability, we proposed the eXplainable Time Series Tree (XTSTree). XTSTree divides a time series into a binary tree, hierarchically splitting it according to a criterion based on change detectors, ideally finding a cutting point that creates the two most different sub-series. The segmentation process continues until it reaches a stopping criterion, which relies on a stationarity test that assesses whether the series has a sufficiently homogeneous behaviour. Based on well-behaved segments, XTSTree paves the way for a more comprehensive pattern explanation and also supports the application of explainable approaches. We applied XTSTree on several reallife time series to isolate the series’ different behaviours. To evaluate the effectiveness of our method, we used an implementation of Symbolic Regression using genetic programming to find the best representation of the time series and its splits using algebraic expressions, comparing the differences before and after XTSTree. We show an improvement in terms of formula complexity, improving the model accuracy compared to the original time series | - |
Formato: dc.format | application/pdf | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | en | - |
Relação: dc.relation | CCE - Departamento de Computação | - |
Relação: dc.relation | Programa de Pós-Graduação em Ciência da Computação | - |
Relação: dc.relation | Universidade Estadual de Londrina - UEL | - |
Palavras-chave: dc.subject | Mudança de Conceito | - |
Palavras-chave: dc.subject | Séries Temporais | - |
Palavras-chave: dc.subject | Meta-learning | - |
Palavras-chave: dc.subject | Segmentação de Séries Temporais | - |
Palavras-chave: dc.subject | Regressão Simbólica | - |
Palavras-chave: dc.subject | Ciência da computação | - |
Palavras-chave: dc.subject | Algoritmos computacionais | - |
Palavras-chave: dc.subject | Algoritmos | - |
Palavras-chave: dc.subject | Programação genética (Computação) | - |
Palavras-chave: dc.subject | Framework (Programa de computador) | - |
Palavras-chave: dc.subject | Ciências Exatas e da Terra - Ciência da Computação | - |
Palavras-chave: dc.subject | Ciências Exatas e da Terra - Ciência da Computação | - |
Palavras-chave: dc.subject | Concept Drift | - |
Palavras-chave: dc.subject | Time Series | - |
Palavras-chave: dc.subject | Meta-learning | - |
Palavras-chave: dc.subject | Time Series Segmentation | - |
Palavras-chave: dc.subject | Symbolic Regression | - |
Palavras-chave: dc.subject | Computer science | - |
Palavras-chave: dc.subject | Computational algorithms | - |
Palavras-chave: dc.subject | Algorithms | - |
Palavras-chave: dc.subject | Genetic programming (Computing) | - |
Palavras-chave: dc.subject | Framework (Computer program) | - |
Título: dc.title | Explainable Time Series Tree: an explainable top-down time series segmentation framework | - |
Título: dc.title | Explainable Time Series Tree: um framework de segmentação topdown de séries temporais explicável | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional da UEL - RIUEL |
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: