Aplicação de Redes Neurais Recorrentes em séries temporais de estações meteorológicas para imputação de dados: uma abordagem sobre micro-estações meteorológicas na região Oeste do Pará
Resumo
Os dados multivariados das séries temporais estão presentes em uma grande quantidade de aplicações e em muitos casos a ausência de informações nas séries históricas são problemas recorrentes que dificultam estudos relacionados a diversas áreas. A partir desse problema, este trabalho apresenta modelos que utilizam as redes neurais recorrentes para imputação de dados multivariados em estações meteorológicas na região Oeste do Pará. O conjunto de dados utilizado apresenta as séries históricas com variáveis meteorológicas que possuem grandes lacunas de dados ausentes. Os resultados obtidos neste trabalho apresentam dois modelos de redes neurais recorrentes que demonstram como é possível realizar a imputação de dados em séries temporais multivariadas para cada variável meteorológica de forma individual. Também é feita uma abordagem comparando modelos de redes LSTM e GRU para demonstrar a eficiência das redes recorrentes como alternativa para imputação de dados multivariados em séries temporais de estações meteorológicas.
Referências
Che, Z., Purushotham, S., Cho, K., Sontag, D., and Liu, Y. (2018). Recurrent neural networks for multivariate time series with missing values. Scientific reports, 8(1):6085.
Chung, J., Gulcehre, C., Cho, K., and Bengio, Y. (2014). Empirical evaluation of gated recurrent neural networks on sequence modeling. arXiv preprint arXiv:1412.3555.
Costa, R. L., Silva, F., Sarmanho, G. F., and Lucio, P. S. (2012). Imputação multivariada de dados diários de precipitação e análise de índices de extremos climáticos. Revista Brasileira de Geografia Física, 3:661–675.
Dey, R. and Salemt, F. M. (2017). Gate-variants of gated recurrent unit (gru) neural networks. In 2017 IEEE 60th international midwest symposium on circuits and systems (MWSCAS), pages 1597–1600. IEEE.
Enders, C. K. (2010). Applied missing data analysis. Guilford press.
Ferreira, J., Tapajós, R., and Conde, G. (2016). Redes neurais artificiais para o preenchimento de falhas em séries temporais meteorológicas.
Gensler, A., Henze, J., Sick, B., and Raabe, N. (2016). Deep learning for solar power forecasting— an approach using autoencoder and lstm neural networks. In 2016 IEEE international conference on systems, man, and cybernetics (SMC), pages 002858–002865. IEEE.
Graves, A., Liwicki, M., Fernández, S., Bertolami, R., Bunke, H., and Schmidhuber, J. (2008). A novel connectionist system for unconstrained handwriting recognition. IEEE transactions on pattern analysis and machine intelligence, 31(5):855–868.
Kim, H.-G., Jang, G.-J., Choi, H.-J., Kim, M., Kim, Y.-W., and Choi, J. (2017). Recurrent neural networks with missing information imputation for medical examination data prediction. In 2017 IEEE International Conference on Big Data and Smart Computing (BigComp), pages 317–323. IEEE.
Little, R. J. and Rubin, D. B. (2019). Statistical analysis with missing data, volume 793. John Wiley & Sons.
Schafer, J. L. (1997). Analysis of incomplete multivariate data. Chapman and Hall/CRC.
Souza, R. (1981). Metodologias para a análise e previsão de séries temporais univariadas e multivariadas. Brazilian Review of Econometrics, 1(2):78–105.
Wilks, S. S. (1932). Moments and distributions of estimates of population parameters from fragmentary samples. The Annals of Mathematical Statistics, 3(3):163–195.
