Logo PUCPR

FUSÃO DE IMAGENS PARA CLASSIFICAÇÃO DE SÉRIES MULTIVARIADAS

MIGLIORETTO, Bruno Assis ¹; SOUZA, Vinicius Mourao Alves de ²
Curso do(a) Estudante: Ciência da Computação – Escola Politécnica – Câmpus Curitiba
Curso do(a) Orientador(a): Ciência da Computação – Escola Politécnica – Câmpus Curitiba

INTRODUÇÃO: Em diversas aplicações de Aprendizado de Máquina, especialmente aquelas que envolvem sensores, é fundamental considerar a ordem temporal dos dados. Esse tipo de dado, denominado série temporal, corresponde a observações de um fenômeno registradas sequencialmente ao longo do tempo. As séries temporais podem ser univariadas ou multivariadas, dependendo da quantidade de variáveis registradas simultaneamente. Por exemplo, um acelerômetro triaxial gera séries temporais multivariadas compostas por medições nos eixos x, y e z. Uma estratégia promissora para a construção de modelos de Aprendizagem de Máquina utilizando séries temporais é partir da transformação desses dados em imagens, visando uma representação enriquecida que beneficia o treinamento. No entanto, essa estratégia ainda é pouco explorada no cenário multivariado. OBJETIVOS: O principal objetivo deste plano é investigar e avaliar estratégias de fusão de imagens derivadas das diferentes dimensões de séries temporais multivariadas, visando identificar a abordagem que obtém o melhor desempenho preditivo no contexto de classificação supervisionada. MATERIAIS E MÉTODO: Após a transformação de cada variável das séries em imagens e a sua representação matricial, foram investigadas quatro estratégias de fusão baseadas em operações aritméticas: soma, subtração, produto matricial e produto de Hadamard. Foram consideradas seis representações de imagem: CWT (Continuous Wavelet Transform), RP (Recurrence Plot), MTF (Markov Transition Field), GASF (Gramian Angular Summation Field), GADF (Gramian Angular Difference Field) e FIRTS (Fusion of Image Representations for Time Series). As diferentes configurações de representação e fusão de imagens foram utilizadas como entrada para o treinamento de um modelo supervisionado, adotando o Ridge Classifier. Os experimentos foram conduzidos em 27 conjuntos de dados do repositório UEA Time Series Classification Archive. RESULTADOS: Os resultados indicam que a configuração que apresentou o maior poder preditivo médio em dados de benchmark foi a partir da representação FIRTS com a operação de soma entre as imagens. Além disso, foi possível identificar melhorias nos resultados a partir da aplicação de um processo de convolução utilizando o algoritmo Rocket. CONSIDERAÇÕES FINAIS: Os resultados indicam que a abordagem investigada é promissora, com desempenho próximo aos métodos da literatura. No entanto, podem ser potencializados com a investigação de outros classificadores base. Além disso, o custo computacional para a transformação das séries em imagens ainda é um desafio a ser investigado em trabalhos futuros.

PALAVRAS-CHAVE: Séries temporais; Multivariado; Classificação; Aprendizagem de Máquina; Representações visuais.

APRESENTAÇÃO EM VÍDEO

Legendas:
  1. Estudante
  2. Orientador
  3. Colaborador
Esta pesquisa foi desenvolvida com bolsa da Fundação Araucária e da Superintendência Geral de Ciência, Tecnologia e Ensino Superior, no programa PIBIC.

QUERO VOTAR NESTE TRABALHO

Para validarmos seu voto, por favor, preencha os campos abaixo. Alertamos que votos duplicados ou com CPF inválido não serão considerados.