Uma abordagem para classificação de séries temporais baseada em modelo autorregressivo e análise de recorrência

Abstract

Atualmente, os estudos sobre o problema da classificação de séries temporais tem se concentrado em elaborar abordagens em dois formatos: baseado em funções de distância entre itens do conjunto de dados, e baseado em um procedimento de dois estágios, onde as séries temporais são transformadas em vetores de características, permitindo o emprego de técnicas de classificação convencionais. Neste contexto, não tem sido notado na literatura estudos baseados na análise de propriedades intrínsecas do processo gerador da série temporal como, por exemplo, o determinismo. Neste trabalho de mestrado, _e proposta uma abordagem para o problema da classificação de séries temporais, projetada em dois estágios e baseada na análise de propriedades intrínsecas de determinismo e de estocasticidade. Primeiramente, cada série temporal _e processada pelo modelo autorregressivo (AR) e pelo Gráfico de Recorrências, para modelar as influências estocásticas e determinísticas, presentes nas séries temporais. Posteriormente, são extraídas características, a partir da nova representação, que compõem o novo espaço característico. Para a classificação em si, optou-se pelo SVM em seu formato convencional. Tomou-se como abordagem de referência da literatura, o classificador 1-NN com funções de distâncias Euclidiana, DTW e DTW otimizado por janela de busca. Os experimentos foram executados sobre os conjuntos de dados do repositório UCR. Os resultados finais mostram que o desempenho de classificação _e competitivo, ou superior, _a melhor configuração 1-NN em 19 de 41 conjuntos de dados. Não obstante, os resultados evidenciam, também, a necessidade de uma investigação mais aprofundada sobre as influências das propriedades intrínsecas, e outras técnicas da área de análise de séries temporais, quando aplicadas na tarefa de classificação

ABSTRACT- Recently, the research on time series classication problem has focused on designing approaches based on distance functions (similarity measures) or two-step procedure. Within this context, we have found no study that considers the intrinsic properties of the time series generation process, namely, determinism and stochasticity, when discriminative modeling. This work presents an approach to the time series classication problem. This approach, which uses a two-step procedure, is based on inuences analysis of the determinism and stochasticity intrinsic properties. Firstly, each time series of the dataset is _tted by autoregressive model (AR) and plotted in recurrence plot in order to analyze the stochasticity and determinism inuences, respectively, embedded into the time series. Then, the feature extraction is performed by AR coeients extraction and Recurrence Quantication Analysis. The feature vectors are used as input to a standard SVM classi_er. In order to evaluate the e_ectiveness of the proposed approach, we compare the experimental results with results of the literature reference approaches, the 1-NN classi_er with Euclidean distance and Dynamic Time Warping functions. The experiments were performed with datasets of the UCR repository. The results show that the approach performance is similar to (or better than) the best con_guration 1-NN, in 19 of 41 datasets. Nevertheless, the achieved results reveal the need for further research on the inuences analysis of generating process intrinsic properties, as well as other time series analysis techniques, when employing them in the time series classi_cation task.