Busca de padrões em séries temporais
Visualizar/abrir
Data
2010Orientador
Nível acadêmico
Graduação
Assunto
Resumo
O presente trabalho discute e implementa duas abordagens utilizadas na descoberta de padrões em séries temporais: clustering e motifs. Primeiramente, é apresentada a abordagem de clustering com janela deslizante, e os problemas que decorrem da mesma. Na tentativa de contornar os problemas, faz-se uso de Mapas Auto-Organizáveis como alternativa ao clustering; por fim, é apresentada a técnica de identificação de pontos perceptualmente importantes, como solução para evitar padrões triviais e reduz ...
O presente trabalho discute e implementa duas abordagens utilizadas na descoberta de padrões em séries temporais: clustering e motifs. Primeiramente, é apresentada a abordagem de clustering com janela deslizante, e os problemas que decorrem da mesma. Na tentativa de contornar os problemas, faz-se uso de Mapas Auto-Organizáveis como alternativa ao clustering; por fim, é apresentada a técnica de identificação de pontos perceptualmente importantes, como solução para evitar padrões triviais e reduzir a dimensionalidade da série de entrada. Num segundo momento, é descrita a técnica de descoberta de padrões baseada em motifs, bem como as motivações que levaram a essa abordagem. Uma segunda implementação, usando dessa vez a nova abordagem, é apresentada e, ao final, são comparados os resultados obtidos pela execução dos métodos. Assim, com base nos experimentos realizados, concluiu-se que a abordagem do SOM com janela deslizante gera padrões muito suavizados e que pouco lembram a série original, enquanto que a abordagem por Motifs encontra padrões com melhores resoluções. ...
Abstract
This work discusses and implements two approaches used in time series pattern discovery: clustering and motifs. Initially the concepts and formalisms related to the time series are introduced, through the techniques used in the search for patterns and concluding with the presentation of implementations, and a comparison of these. At first the approach of clustering with sliding window is presented, and the problems that arise from that. In an attempt to solve these problems, Self-Organizing Map ...
This work discusses and implements two approaches used in time series pattern discovery: clustering and motifs. Initially the concepts and formalisms related to the time series are introduced, through the techniques used in the search for patterns and concluding with the presentation of implementations, and a comparison of these. At first the approach of clustering with sliding window is presented, and the problems that arise from that. In an attempt to solve these problems, Self-Organizing Maps are used as an alternative to clustering, and finally the technique of identifying perceptually important points is presented, as solution to prevent trivial matches and to reduce the dimensionality of the input series. Secondly, we describe the technique of pattern discovery based on motifs, and the motivations that led to this approach. A second implementation is presented and implemented using this new approach and, finally, the achieved results are compared by the implementation of methods. Thus, based on experiments, it was concluded that the SOM approach with sliding window generates patterns very smooth that does not resemble the original series, while the Motifs approach finds patterns with better resolutions. ...
Instituição
Universidade Federal do Rio Grande do Sul. Instituto de Informática. Curso de Ciência da Computação: Ênfase em Ciência da Computação: Bacharelado.
Coleções
-
TCC Ciência da Computação (1021)
Este item está licenciado na Creative Commons License