SAXJS: SAX based online change point detection

• Ano de defesa: 2024
• Autor(a) principal: Giovanna Ávila Riqueti
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal de Minas Gerais; Brasil; ICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃO; Programa de Pós-Graduação em Ciência da Computação; UFMG
• Palavras-chave em Português: change point detection; time series representation; Symbolic Aggregate Approximation (SAX); Computação – Teses; Algoritmos de computador – Teses; Análise de séries temporais - Teses; Detecção de ponto de mudança - Teses
• Link de acesso: http://hdl.handle.net/1843/67719

Séries temporais são representações organizadas cronologicamente ao longo do tempo, usadas para descrever a dinâmica de um determinado sistema. O comportamento deste sistema pode apresentar variações ao longo do tempo, e os pontos no tempo onde essas variações ocorrem são chamados de pontos de mudança. Detectar esses pontos de mudança é uma tarefa importante com diversas aplicações relevantes para o mundo atual, como no monitoramento de mudanças climáticas, investigação de problemas médicos, compreensão de ondas cerebrais, padrões de sono e aprimoramento da classificação de imagens como uma etapa de pré-processamento. Apesar da detecção de ponto de mudança ser uma área explorada na literatura por décadas, ainda existem alguns desafios. Notavelmente, existe a demanda por algoritmos que operem de forma \textit{online} sem que seja preciso a informação da série temporal por completo, e por algoritmos que demonstrem adaptabilidade a diversos sistemas. Neste trabalho, nós propomos um novo método capaz de resolver esses desafios. Nossa abordagem é baseada em transformações de séries temporais do tipo \textit{Symbolic Aggregate ApproXimation} (SAX), simbologia de \textit{Bag-of-Patterns} (BOP), probabilidade de transição entre símbolos e distância Jensen-Shannon. Avaliamos nosso algoritmo proposto utilizando casos sintéticos e dados do mundo real, comparando-o com métodos de detecção de pontos de mudança do estado da arte e obtivemos os melhores resultados em aproximadamente 71% dos experimentos.