Classificação de Séries Temporais através da Probabilidade de Auto-Transição obtida do Grafo de Transição de Padrões Ordinais

• Isadora Cardoso-Pereira Universidade Federal de Minas Gerais
• João B. Borges Universidade Federal do Rio Grande do Norte
• Pedro H. Barros Universidade Federal de Minas Gerais
• Antonio F. Loureiro Universidade Federal de Minas Gerais
• Heitor S. Ramos Universidade Federal de Minas Gerais

DOI: https://doi.org/10.5753/sbrc.2019.7391

Resumo

Baseando-se em sua interdisciplinaridade e grande escopo em aplicações do mundo real, é clara a necessidade de extrair conhecimento de séries temporais. Porém, minerar dados de séries temporais é uma atividade complexa, devido às suas propriedades particulares. Neste trabalho, propomos a utilização de um novo atributo retirado do Grafo de Transição de Padrões Ordinais, chamado de probabilidade de auto-transição. Nossa proposta foi testada em um problema real de Computação Urbana, referente à classificação de modos de transporte. Obtivemos melhores valores de acurácia do que atributos bem conhecidos de Teoria de Informação, além de apresentar menor dependência em relação aos parâmetros de Padrões Ordinais.

Palavras-chave: Mineiração de Dados, Séries Temporais, Computação Urbana

Referências

Aquino, A., Cavalcante, T., Almeida, E., Frery, A., and Rosso, O. (2015). Characterization of vehicle behavior with information theory. The European Physical Journal B, 88(10):257.

Aquino, A., Ramos, H., Frery, A., Viana, L., Cavalcante, T., and Rosso, O. (2017). Characterization of electric load with information theory quantifiers. Physica A: Statistical Mechanics and its Applications, 465:277 – 284.

Bagnall, A., Lines, J., Bostrom, A., Large, J., and Keogh, E. (2017). The great time series classification bake off: a review and experimental evaluation of recent algorithmic advances. Data Mining and Knowledge Discovery, 31(3):606–660.

Bandt, C. and Pompe, B. (2002). Permutation entropy: A natural complexity measure for time series. Phys. Rev. Lett., 88:174102.

Fawaz, H., Forestier, G., Weber, J., Idoumghar, L., and Muller, P.-A. (2019). Deep learning for time series classification: a review. Data Mining and Knowledge Discovery.

Guo, H., Zhang, J.-Y., Zou, Y., and Guan, S.-G. (2018). Cross and joint ordinal partition transition networks for multivariate time series analysis. Frontiers of Physics, 13(5):130508.

Lacasa, L., Luque, B., Ballesteros, F., Luque, J., and Nu˜no, J. C. (2008). From time series to complex networks: The visibility graph. Proceedings of the National Academy of Sciences, 105(13):4972–4975.

Lines, J., Taylor, S., and Bagnall, A. (2018). Time series classification with hivecote: The hierarchical vote collective of transformation-based ensembles. ACM Trans. Knowl. Discov. Data, 12(5):52:1–52:35.

Luque, B., Lacasa, L., Ballesteros, F., and Luque, J. (2009). Horizontal visibility graphs: Exact results for random time series. Phys. Rev. E, 80:046103.

L¨angkvist, M., Karlsson, L., and Loutfi, A. (2014). A review of unsupervised feature learning and deep learning for time-series modeling. Pattern Recognition Letters, 42:11 – 24.

McCullough, M., Small, M., Iu, H., and Stemler, T. (2017). Multiscale ordinal network analysis of human cardiac dynamics. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 375(2096):20160292.

Ravetti, M. G., Carpi, L. C., Gon¸calves, B. A., Frery, A., and Rosso, O. A. (2014). Distinguishing noise from chaos: Objective versus subjective criteria using horizontal visibility graph. PLOS ONE, 9(9):1–15.

Ribeiro, H. V., Jauregui, M., Zunino, L., and Lenzi, E. K. (2017). Characterizing time series via complexity-entropy curves. Phys. Rev. E, 95:062106.

Rosso, O. A., Larrondo, H. A., Martin, M. T., Plastino, A., and Fuentes, M. A. (2007). Distinguishing noise from chaos. Phys. Rev. Lett., 99:154102.

Small, M. (2013). Complex networks from time series: Capturing dynamics. In 2013 IEEE International Symposium on Circuits and Systems, pages 2509–2512. IEEE.

Staniek, M. and Lehnertz, K. (2007). Parameter selection for permutation entropy measurements. International Journal of Bifurcation and Chaos, 17(10):3729–3733.

Wang, X., Ding, H., Trajcevski, G., Scheuermann, P., and Keogh, E. J. (2010). Experimental comparison of representation methods and distance measures for time series data. CoRR, abs/1012.2789.

Wilson, S. J. (2017). Data representation for time series data mining: time domain approaches. Wiley Interdisciplinary Reviews: Computational Statistics, 9(1):e1392.

Yang, Q. and Wu, X. (2006). 10 challenging problems in data mining research. International Journal of Information Technology & Decision Making, 5(04):597– 604.

Zhang, J., Zhou, J., Tang, M., Guo, H., Small, M., and Zou, Y. (2017). Constructing ordinal partition transition networks from multivariate time series. Scientific reports, 7(1):7795.

Zheng, Y., Li, Q., Chen, Y., Xie, X., and Ma, W.-Y. (2008). Understanding mobility based on gps data. In Proceedings of the 10th international conference on Ubiquitous computing, pages 312–321. ACM.

Zunino, L., Soriano, M. C., and Rosso, O. A. (2012). Distinguishing chaotic and stochastic dynamics from time series by using a multiscale symbolic approach. Phys. Rev. E, 86:046210.