Explainable Time Series Tree: an explainable top-down time series segmentation framework

• Ano de defesa: 2024
• Autor(a) principal: Silva, Vitor de Castro
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Palavras-chave em Português: Mudança de Conceito; Séries Temporais; Meta-learning; Segmentação de Séries Temporais; Regressão Simbólica; Ciência da computação; Algoritmos computacionais; Algoritmos; Programação genética (Computação); Framework (Programa de computador); Ciências Exatas e da Terra - Ciência da Computação; Concept Drift; Time Series; Time Series Segmentation; Symbolic Regression; Computer science; Computational algorithms; Algorithms; Genetic programming (Computing); Framework (Computer program)
• Link de acesso: https://repositorio.uel.br/handle/123456789/18196

Existem diversos algoritmos de Aprendizado de Máquina para modelar séries temporais para problemas de classificação, previsão e clusterização. Entretanto, séries temporais podem apresentar características que complicam essas tarefas, como padrões recorrentes e variações sazonais. A segmentação de séries temporais pode ser uma solução para esses problemas, mas as abordagens existentes precisam ser melhoradas. Várias delas utilizam regressão linear para solucionar problemas como detecção de mudanças no comportamento da série, ignorando ferramentas desenvolvidas especificamente para resolver esse tipo de problema, como detectores de mudança. Além disso, o conceito de explicabilidade raramente é abordado na segmentação de séries temporais. Para identificar diferentes padrões de séries temporais usando técnicas apropriadas e ao mesmo tempo prover explicabilidade, nós criamos a eXplainable Time Series Tree, ou XTSTree. A XTSTree transforma uma série temporal em uma árvore binária, dividindo-a de forma hierárquica de acordo com um critério baseado em detectores de mudança e encontrando um ponto de corte que cria as duas sub-séries mais diferentes entre si. O processo de segmentação continua até que chegue em um critério de parada baseado em um teste de estacionariedade que indica que a série tem um comportamento suficientemente homogêneo. A XTSTree abre caminho para uma explicação mais compreensível de padrões e também oferece suporte para o uso de outras abordagens explicáveis. Nosso estudo aplicou a XTSTree em diversas séries temporais reais para isolar os seus diferentes comportamentos. Para avaliar a eficácia da XTSTree, nós usamos uma implementação de Regressão Simbólica usando programação genética para encontrar a melhor representação da série e suas divisões usando fórmulas algébricas, e comparamos as diferenças em diversas métricas antes e depois da XTSTree. Mostramos uma melhora em complexidade da fórmula, melhorando a acurácia do modelo quando comparado com a série temporal original