Detecção Adaptativa de Pontos de Mudança em Séries Temporais com Autoencoder e Supervisão Estatística

• Anthony Viegas Heimlich Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)
• Gabriel Alves Giuliano Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)
• Renato Mauro Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)
• Antonio Castro Filho Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)
• Helga Balbi Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)
• Rafaelli de Carvalho Coutinho Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)
• Jânio Lima Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)
• Eduardo Ogasawara Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)

DOI: https://doi.org/10.5753/sbbd.2026.249345

Resumo

A detecção de pontos de mudança em séries temporais associadas a sistemas de controle é dificultada pela não estacionariedade dos sinais e por mudanças naturais de regime. Este artigo propõe o Waypoint, um método que separa representação e decisão estatística ao combinar um autoencoder não supervisionado com um supervisor baseado em CUSUM e na estratégia Cross-T_c. O supervisor valida mudanças e governa o retreinamento após a confirmação de um novo regime. A avaliação com dados reais do 3W Dataset mostra redução de falsos positivos em relação ao GLR e desempenho competitivo sob tolerância temporal. A principal contribuição está em introduzir o Waypoint como uma abordagem adaptativa para detecção de pontos de mudança que integra aprendizado de representação, decisão estatística e controle de retreinamento após a confirmação de mudança.

Palavras-chave: Detecção de Pontos de Mudança, Séries Temporais, Autoencoders, Aprendizado de Representação, Monitoramento Adaptativo

Referências

Cao, Z., Seeuws, N., De Vos, M., e Bertrand, A. (2024). Change Point Detection in Multi-Channel Time Series via a Time-Invariant Representation. IEEE Transactions on Knowledge and Data Engineering, 36:7743 – 7756.

Corizzo, R., Baron, M., e Japkowicz, N. (2022). CPDGA: Change point driven growing auto-encoder for lifelong anomaly detection. Knowledge-Based Systems, 247:108756.

De Ryck, T., De Vos, M., e Bertrand, A. (2021). Change Point Detection in Time Series Data Using Autoencoders with a Time-Invariant Representation. IEEE Transactions on Signal Processing, 69:3513 – 3524.

Gupta, M., Wadhvani, R., e Rasool, A. (2022). Real-time Change-Point Detection: A deep neural network-based adaptive approach for detecting changes in multivariate time series data. Expert Systems with Applications, 209:118260.

Li, J., Fearnhead, P., Fryzlewicz, P., e Wang, T. (2024). Automatic change-point detection in time series via deep learning. Journal of the Royal Statistical Society Series B: Statistical Methodology, 86:273–285.

Lima, J., Castro, H., Oliveira, L., Paixão, E., Baroni, L., Salles, R., Vargas, R., e Ogasawara, E. (2025). UniTED: A Unified Time Series Event Detection Repository. In Brazilian e-Science Workshop (BreSci), pages 1–8. SBC.

Ogasawara, E., Salles, R., Porto, F., e Pacitti, E. (2025). Event Detection in Time Series. Synthesis Lectures on Data Management. Springer Nature Switzerland, Cham, 1 edition.

Salles, R., Escobar, L., Baroni, L., Zorrilla, R., Ziviani, A., Kreischer, V., Delicato, F., Pires, P. F., Maia, L., Coutinho, R., Assis, L., e Ogasawara, E. (2020). Harbinger: Um framework para integração e análise de métodos de detecção de eventos em séries temporais. In Anais do Simpósio Brasileiro de Banco de Dados (SBBD), pages 73–84. SBC.

Salles, R., Lima, J., Reis, M., Coutinho, R., Pacitti, E., Masseglia, F., Akbarinia, R., Chen, C., Garibaldi, J., Porto, F., e Ogasawara, E. (2024). SoftED: Metrics for soft evaluation of time series event detection. Computers and Industrial Engineering, 198.

Vargas, R. E. V., Munaro, C. J., Ciarelli, P. M., Medeiros, A. G., Amaral, B. G. d., Barrionuevo, D. C., Araújo, J. C. D. d., Ribeiro, J. L., e Magalhães, L. P. (2019). A realistic and public dataset with rare undesirable real events in oil wells. Journal of Petroleum Science and Engineering, 181.

Ygorra, B., Frappart, F., Wigneron, J., Moisy, C., Catry, T., Baup, F., Hamunyela, E., e Riazanoff, S. (2021). Monitoring loss of tropical forest cover from Sentinel-1 time-series: A CuSum-based approach. International Journal of Applied Earth Observation and Geoinformation, 103:102532.

Ygorra, B., Frappart, F., Wigneron, J.-P., Catry, T., Pillot, B., Pfefer, A., Courtalon, J., e Riazanoff, S. (2024). A near-real-time tropical deforestation monitoring algorithm based on the CuSum change detection method. Frontiers in Remote Sensing, 5.