PSGF (phase space gap filling): um novo método para substituição de valores ausentes em séries temporais caóticas
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFBA |
Texto Completo: | https://repositorio.ufba.br/handle/ri/36100 |
Resumo: | O tratamento de informações ausentes ou inválidas em bases de dados representa um grande desafio na área de Aprendizado de Máquina (AM) que, se não for realizado da maneira adequada, pode afetar a qualidade do modelo produzido ou, até mesmo, impedir a sua utilização. Em geral, esse problema ocorre por diversas razões como, por exemplo, erro no dispositivo utilizado para coleta de informações, problemas na transmissão entre os dispositivos de coleta e de armazenamento, e a ausência real de informação no sistema monitorado. Quando os dados são coletados de maneira independente e identicamente distribuída, os próprios modelos tradicionais de AM podem ser utilizados para tratar esse problema. Entretanto, quando há dependência temporal entre as observações coletadas, e.g. quando os dados são organizados como séries temporais, tais modelos não são adequados por não considerar o relacionamento existente entre os instantes de tempo das coletas. Para o tratamento desse tipo de dado, há diversas técnicas como métodos de interpolação (e.g. Lagrange, Newton e Splines) e Singular Spectrum Analysis (SSA). Contudo, experimentos realizados durante este projeto de mestrado demonstraram que as técnicas existentes apresentam resultados insatisfatórios quando as séries temporais possuem comportamento caótico, uma vez que informações sobre seus atratores no espaço de coordenadas de atraso (espaço fase) não são levados em consideração. Neste sentido, este projeto de mestrado apresenta um novo método que utiliza ferramenta de Sistemas Dinâmicos e Teoria do Caos para desdobrar séries do domínio temporal para o espaço fase, viabilizando, assim, a aplicação de técnicas de Aprendizado de Máquina na substituição de valores ausentes. Resultados obtidos enfatizam a importância desse novo paradigma de substituição de valores ausentes, apresentando uma superioridade do método proposto com relação às técnicas conhecidas no estado da arte. |
id |
UFBA-2_b3df77afc95ed3569d83cb12ad145423 |
---|---|
oai_identifier_str |
oai:repositorio.ufba.br:ri/36100 |
network_acronym_str |
UFBA-2 |
network_name_str |
Repositório Institucional da UFBA |
repository_id_str |
1932 |
spelling |
2022-10-04T14:57:47Z2022-10-04T14:57:47Z2022-07-06OLIVEIRA, Marcos Ricardo Santos. PSGF (Phase Space Gap Filling): um novo método para substituição de valores ausentes em séries temporais caóticas. 2022. 83 f. Dissertação (Mestrado em Ciências da Computação) Instituto de Computação, Universidade Federal da Bahia, Salvador, Ba, 2022.https://repositorio.ufba.br/handle/ri/36100O tratamento de informações ausentes ou inválidas em bases de dados representa um grande desafio na área de Aprendizado de Máquina (AM) que, se não for realizado da maneira adequada, pode afetar a qualidade do modelo produzido ou, até mesmo, impedir a sua utilização. Em geral, esse problema ocorre por diversas razões como, por exemplo, erro no dispositivo utilizado para coleta de informações, problemas na transmissão entre os dispositivos de coleta e de armazenamento, e a ausência real de informação no sistema monitorado. Quando os dados são coletados de maneira independente e identicamente distribuída, os próprios modelos tradicionais de AM podem ser utilizados para tratar esse problema. Entretanto, quando há dependência temporal entre as observações coletadas, e.g. quando os dados são organizados como séries temporais, tais modelos não são adequados por não considerar o relacionamento existente entre os instantes de tempo das coletas. Para o tratamento desse tipo de dado, há diversas técnicas como métodos de interpolação (e.g. Lagrange, Newton e Splines) e Singular Spectrum Analysis (SSA). Contudo, experimentos realizados durante este projeto de mestrado demonstraram que as técnicas existentes apresentam resultados insatisfatórios quando as séries temporais possuem comportamento caótico, uma vez que informações sobre seus atratores no espaço de coordenadas de atraso (espaço fase) não são levados em consideração. Neste sentido, este projeto de mestrado apresenta um novo método que utiliza ferramenta de Sistemas Dinâmicos e Teoria do Caos para desdobrar séries do domínio temporal para o espaço fase, viabilizando, assim, a aplicação de técnicas de Aprendizado de Máquina na substituição de valores ausentes. Resultados obtidos enfatizam a importância desse novo paradigma de substituição de valores ausentes, apresentando uma superioridade do método proposto com relação às técnicas conhecidas no estado da arte.The preprocessing step performed to deal with missing or invalid information in datasets is a relevant task in Machine Learning (ML) applications to avoid producing wrong models and make feasible the usage of specific algorithms that do not work in such a condition. In general, missing values occours for different reasons as, for instance, problems in the device used to monitor a system, network issues between monitoring and storage services, and the authentic absence of data. By collecting data in an i.i.d (independent and identically distributed) manner, traditional ML models are able to replace missing values. However, when there are temporal dependencies between collected observations, e.g., time series, such models are unsuitable for not considering the existing relationship in time instants. The treatment of missing data in time series is performed by several techniques such as interpolation methods (e.g. Lagrange, Newton, and Splines) and Singular Spectrum Analysis (SSA). Experiments during this project highlighted that these methods provided poor results when the time series present a chaotic behavior once their attractors in the phase space are not taken into account. Therefore, this work presents a new method that considers Dynamical System and Chaos Theory tools to unfold series from the temporal domain into phase space, making it possible the adoption of ML models to replace missing values. Our results emphasize the importance of this new paradigm to deal with missing values, outperforming the state-of-the-art.Submitted by Marcos Oliveira (ricardo.oliveira545@gmail.com) on 2022-09-21T16:31:56Z No. of bitstreams: 1 Dissertacao - Marcos Oliveira.pdf: 3798038 bytes, checksum: 4567b931200c6e3048c7064aaf28edd2 (MD5)Approved for entry into archive by Solange Rocha (soluny@gmail.com) on 2022-10-04T14:57:47Z (GMT) No. of bitstreams: 1 Dissertacao - Marcos Oliveira.pdf: 3798038 bytes, checksum: 4567b931200c6e3048c7064aaf28edd2 (MD5)Made available in DSpace on 2022-10-04T14:57:47Z (GMT). No. of bitstreams: 1 Dissertacao - Marcos Oliveira.pdf: 3798038 bytes, checksum: 4567b931200c6e3048c7064aaf28edd2 (MD5) Previous issue date: 2022-07-06porUniversidade Federal da BahiaPrograma de Pós-Graduação em Ciência da Computação (PGCOMP) UFBABrasilInstituto de Computação - ICMissing value imputationChaotic time seriesMachine learningCNPQ::CIENCIAS EXATAS E DA TERRASubstituição de dados ausentesSéries temporais caóticasAprendizado de máquinaPSGF (phase space gap filling): um novo método para substituição de valores ausentes em séries temporais caóticasPSGF (phase space gap filling): a new gap filling method for chaotic time seriesinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisRios, Ricardo Araújo0000-0003-1449-4745http://lattes.cnpq.br/0427387583450747Rios, Ricardo Araújo0000-0003-1449-4745http://lattes.cnpq.br/0427387583450747Ishii, Renato Porfirio0000-0003-0825-8420http://lattes.cnpq.br/8992362063539452Santana, Ewaldo Eder Carvalho0000-0002-8894-5353http://lattes.cnpq.br/0660692009750374http://lattes.cnpq.br/0324710830372167Oliveira, Marcos Ricardo Santosreponame:Repositório Institucional da UFBAinstname:Universidade Federal da Bahia (UFBA)instacron:UFBAinfo:eu-repo/semantics/openAccessORIGINALDissertacao - Marcos Oliveira.pdfDissertacao - Marcos Oliveira.pdfDissertação de Marcos Oliveiraapplication/pdf3798038https://repositorio.ufba.br/bitstream/ri/36100/1/Dissertacao%20-%20Marcos%20Oliveira.pdf4567b931200c6e3048c7064aaf28edd2MD51LICENSElicense.txtlicense.txttext/plain1715https://repositorio.ufba.br/bitstream/ri/36100/2/license.txt67bf4f75790b0d8d38d8f112a48ad90bMD52TEXTDissertacao - Marcos Oliveira.pdf.txtDissertacao - Marcos Oliveira.pdf.txtExtracted texttext/plain189612https://repositorio.ufba.br/bitstream/ri/36100/3/Dissertacao%20-%20Marcos%20Oliveira.pdf.txteee39ebfd3666188d8b36d7c0d91ef31MD53ri/361002022-10-05 14:07:19.626oai:repositorio.ufba.br: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Repositório InstitucionalPUBhttp://192.188.11.11:8080/oai/requestopendoar:19322022-10-05T17:07:19Repositório Institucional da UFBA - Universidade Federal da Bahia (UFBA)false |
dc.title.pt_BR.fl_str_mv |
PSGF (phase space gap filling): um novo método para substituição de valores ausentes em séries temporais caóticas |
dc.title.alternative.pt_BR.fl_str_mv |
PSGF (phase space gap filling): a new gap filling method for chaotic time series |
title |
PSGF (phase space gap filling): um novo método para substituição de valores ausentes em séries temporais caóticas |
spellingShingle |
PSGF (phase space gap filling): um novo método para substituição de valores ausentes em séries temporais caóticas Oliveira, Marcos Ricardo Santos CNPQ::CIENCIAS EXATAS E DA TERRA Substituição de dados ausentes Séries temporais caóticas Aprendizado de máquina Missing value imputation Chaotic time series Machine learning |
title_short |
PSGF (phase space gap filling): um novo método para substituição de valores ausentes em séries temporais caóticas |
title_full |
PSGF (phase space gap filling): um novo método para substituição de valores ausentes em séries temporais caóticas |
title_fullStr |
PSGF (phase space gap filling): um novo método para substituição de valores ausentes em séries temporais caóticas |
title_full_unstemmed |
PSGF (phase space gap filling): um novo método para substituição de valores ausentes em séries temporais caóticas |
title_sort |
PSGF (phase space gap filling): um novo método para substituição de valores ausentes em séries temporais caóticas |
author |
Oliveira, Marcos Ricardo Santos |
author_facet |
Oliveira, Marcos Ricardo Santos |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Rios, Ricardo Araújo |
dc.contributor.advisor1ID.fl_str_mv |
0000-0003-1449-4745 |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/0427387583450747 |
dc.contributor.referee1.fl_str_mv |
Rios, Ricardo Araújo |
dc.contributor.referee1ID.fl_str_mv |
0000-0003-1449-4745 |
dc.contributor.referee1Lattes.fl_str_mv |
http://lattes.cnpq.br/0427387583450747 |
dc.contributor.referee2.fl_str_mv |
Ishii, Renato Porfirio |
dc.contributor.referee2ID.fl_str_mv |
0000-0003-0825-8420 |
dc.contributor.referee2Lattes.fl_str_mv |
http://lattes.cnpq.br/8992362063539452 |
dc.contributor.referee3.fl_str_mv |
Santana, Ewaldo Eder Carvalho |
dc.contributor.referee3ID.fl_str_mv |
0000-0002-8894-5353 |
dc.contributor.referee3Lattes.fl_str_mv |
http://lattes.cnpq.br/0660692009750374 |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/0324710830372167 |
dc.contributor.author.fl_str_mv |
Oliveira, Marcos Ricardo Santos |
contributor_str_mv |
Rios, Ricardo Araújo Rios, Ricardo Araújo Ishii, Renato Porfirio Santana, Ewaldo Eder Carvalho |
dc.subject.cnpq.fl_str_mv |
CNPQ::CIENCIAS EXATAS E DA TERRA |
topic |
CNPQ::CIENCIAS EXATAS E DA TERRA Substituição de dados ausentes Séries temporais caóticas Aprendizado de máquina Missing value imputation Chaotic time series Machine learning |
dc.subject.por.fl_str_mv |
Substituição de dados ausentes Séries temporais caóticas Aprendizado de máquina |
dc.subject.other.pt_BR.fl_str_mv |
Missing value imputation Chaotic time series Machine learning |
description |
O tratamento de informações ausentes ou inválidas em bases de dados representa um grande desafio na área de Aprendizado de Máquina (AM) que, se não for realizado da maneira adequada, pode afetar a qualidade do modelo produzido ou, até mesmo, impedir a sua utilização. Em geral, esse problema ocorre por diversas razões como, por exemplo, erro no dispositivo utilizado para coleta de informações, problemas na transmissão entre os dispositivos de coleta e de armazenamento, e a ausência real de informação no sistema monitorado. Quando os dados são coletados de maneira independente e identicamente distribuída, os próprios modelos tradicionais de AM podem ser utilizados para tratar esse problema. Entretanto, quando há dependência temporal entre as observações coletadas, e.g. quando os dados são organizados como séries temporais, tais modelos não são adequados por não considerar o relacionamento existente entre os instantes de tempo das coletas. Para o tratamento desse tipo de dado, há diversas técnicas como métodos de interpolação (e.g. Lagrange, Newton e Splines) e Singular Spectrum Analysis (SSA). Contudo, experimentos realizados durante este projeto de mestrado demonstraram que as técnicas existentes apresentam resultados insatisfatórios quando as séries temporais possuem comportamento caótico, uma vez que informações sobre seus atratores no espaço de coordenadas de atraso (espaço fase) não são levados em consideração. Neste sentido, este projeto de mestrado apresenta um novo método que utiliza ferramenta de Sistemas Dinâmicos e Teoria do Caos para desdobrar séries do domínio temporal para o espaço fase, viabilizando, assim, a aplicação de técnicas de Aprendizado de Máquina na substituição de valores ausentes. Resultados obtidos enfatizam a importância desse novo paradigma de substituição de valores ausentes, apresentando uma superioridade do método proposto com relação às técnicas conhecidas no estado da arte. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-10-04T14:57:47Z |
dc.date.available.fl_str_mv |
2022-10-04T14:57:47Z |
dc.date.issued.fl_str_mv |
2022-07-06 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
OLIVEIRA, Marcos Ricardo Santos. PSGF (Phase Space Gap Filling): um novo método para substituição de valores ausentes em séries temporais caóticas. 2022. 83 f. Dissertação (Mestrado em Ciências da Computação) Instituto de Computação, Universidade Federal da Bahia, Salvador, Ba, 2022. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufba.br/handle/ri/36100 |
identifier_str_mv |
OLIVEIRA, Marcos Ricardo Santos. PSGF (Phase Space Gap Filling): um novo método para substituição de valores ausentes em séries temporais caóticas. 2022. 83 f. Dissertação (Mestrado em Ciências da Computação) Instituto de Computação, Universidade Federal da Bahia, Salvador, Ba, 2022. |
url |
https://repositorio.ufba.br/handle/ri/36100 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal da Bahia |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Ciência da Computação (PGCOMP) |
dc.publisher.initials.fl_str_mv |
UFBA |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Instituto de Computação - IC |
publisher.none.fl_str_mv |
Universidade Federal da Bahia |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFBA instname:Universidade Federal da Bahia (UFBA) instacron:UFBA |
instname_str |
Universidade Federal da Bahia (UFBA) |
instacron_str |
UFBA |
institution |
UFBA |
reponame_str |
Repositório Institucional da UFBA |
collection |
Repositório Institucional da UFBA |
bitstream.url.fl_str_mv |
https://repositorio.ufba.br/bitstream/ri/36100/1/Dissertacao%20-%20Marcos%20Oliveira.pdf https://repositorio.ufba.br/bitstream/ri/36100/2/license.txt https://repositorio.ufba.br/bitstream/ri/36100/3/Dissertacao%20-%20Marcos%20Oliveira.pdf.txt |
bitstream.checksum.fl_str_mv |
4567b931200c6e3048c7064aaf28edd2 67bf4f75790b0d8d38d8f112a48ad90b eee39ebfd3666188d8b36d7c0d91ef31 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFBA - Universidade Federal da Bahia (UFBA) |
repository.mail.fl_str_mv |
|
_version_ |
1808459652337238016 |