Muitos métodos de classificação de séries temporais são baseados em similaridade, o que às vezes não é o suficiente para discriminar séries temporais a partir das observações originais. Uma maneira de contornar essa dificuldade é utilizar uma representação alternativa dos dados na qual as características mais importantes para a classificação são enfatizadas. Neste trabalho, emprega-se mudança de representação de dados temporais para a classificação de séries temporais, como foco na escolha de uma representação adequada e em tempo real para cada objeto de classificação. A premissa é que cada série pode ser melhor discriminada em um domínio de representação específico. Portanto, se for possível escolher uma representação adequada dinamicamente, então resultados mais satisfatórios de classificação podem ser alcançados.
Para tal fim, promove-se o estudo de domínios de representação de dados temporais, com o intuito de identificar como esses domínios fornecem uma visão alternativa de dados temporais que os diferem da visão tradicional. Os testes preliminares realizados focaram na avaliação de algoritmos k-NN e redes neurais convolucionais em 1D e 2D. O objetivo inicial era verificar como diferentes representações de dados podem afetar a qualidade de predição desses classificadores. Os resultados iniciais mostraram que utilizar diferentes representações melhora o desempenho da classificação em até 45%. Com base nisso, é criado um meta-classificador e um modelo de seleção dinâmica baseada em florestas aleatórias. Desta forma, para cada série é selecionada a representação mais adequada. Os resultados demonstram que a abordagem de escolha dinâmica de representações promove uma melhoria significativa na eficiência dos classificadores, tendo um ganho de até 16.21% contra os classificadores presentes na literatura.
|
