DOI: 10.11606/d.55.2007.tde-17012008-103928
|View full text |Cite
|
Sign up to set email alerts
|

Mineração e visualização de coleções de séries temporais

Abstract: ALENCAR, Aretha. Mining and visualization of time series collections. 2007. Dissertation (Master)

Help me understand this report

Search citation statements

Order By: Relevance

Paper Sections

Select...
1
1

Citation Types

0
0
0
3

Publication Types

Select...
2
1
1

Relationship

0
4

Authors

Journals

citations
Cited by 4 publications
(3 citation statements)
references
References 25 publications
0
0
0
3
Order By: Relevance
“…O objetivo é criar um modelo capaz de categorizar corretamente tanto os dados utilizados em seu treinamento, como dados nunca vistos antes, ou seja, um modelo com boa capacidade de generalização [6]. O interesse principal na classificação está na precisão do resultado obtido, cuja avaliação é baseada na contagem do número de instâncias classificadas corretamente (acurácia) ou incorretamente (taxa de erro) [11].…”
Section: Classificaçãounclassified
“…O objetivo é criar um modelo capaz de categorizar corretamente tanto os dados utilizados em seu treinamento, como dados nunca vistos antes, ou seja, um modelo com boa capacidade de generalização [6]. O interesse principal na classificação está na precisão do resultado obtido, cuja avaliação é baseada na contagem do número de instâncias classificadas corretamente (acurácia) ou incorretamente (taxa de erro) [11].…”
Section: Classificaçãounclassified
“…As séries temporais podem ser classificadas como discretas, quando as observações são feitas em tempos específicos e distribuídos de maneira uniforme; contínuas quando as observações são realizadas continuamente ao longo do tempo, sem a necessidade de discretizar um determinado tempo. As séries temporais também são utilizadas para analisar o passado e predizer o futuro (ALENCAR, 2007 -Calcular valores futuros da série temporal.…”
Section: Séries Temporaisunclassified
“…Também é utilizada a teoria espectral que estuda os autovalores (valor próprio) e autovetores (vetor próprio) em operadores lineares;• (BUNKE;KRAETZL, 2004), que trata da classificação e detecção de eventos anormais em series temporais de grafos, utilizando a distância de edição em grafo;• (KEOGH; LIN; FU, 2005) que trata do uso do método HOT SAX para encontrar sequências incomuns em subsequências de series temporais, apresentando algoritmos e aplicações. Também utiliza janela deslizante.Nos métodos considerados anteriormente são utilizados o conceito de medida de dissimilaridade (também denominados como função de distância), emAlencar (2007) é comentado que essa função tem como parâmetros de entrada duas séries temporais ou duas subsequências, e retorna um valor não negativo que quantifica a dissimilaridade (ou distância) de uma série com outra. Quanto menor o valor da distância, maior é a similaridade entre as duas séries.…”
unclassified