Classificação de Séries Temporais Via Divergente entre Densidades de Probabilidade no Espaço de Fases

Séries temporais estão presentes nas mais diversas áreas de pesquisa, como eletrocardiogramas, reconhecimento de voz e escrita. A classificação de séries temporais é uma tarefa que tem atraído a atenção de pesquisadores de diversas áreas do conhecimento e tem como objetivo a detecção de padrões que discriminem as séries em um conjunto predefinido de classes. Diversas técnicas para classificação de séries temporais estão disponíveis na literatura. Muitas dessas abordagens definem métricas de distância entre as séries e as utilizam em classificadores clássicos, como o k-vizinhos mais próximos, enquanto que outras constroem modelos estatísticos a partir dos dados.

Nesta dissertação, é apresentado um novo método de classificação de séries temporais. A proposta utiliza a técnica time delay embedding para reconstruir o espaço de estados das séries temporais e supõe que estes são amostras de populações com distribuições desconhecidas. Essas distribuições são estimadas através de um método não paramétrico e uma medida de divergente entre funções de densidade de probabilidade é utilizada para calcular a distância entre as mesmas e as classifica de acordo com seus vizinhos.

Para avaliar a efetividade do método, dois experimentos foram conduzidos. O primeiro analisa o impacto dos parâmetros do método no resultado da classificação e na métrica de distância entre dois conjuntos de dados diferentes. O segundo avalia os resultados obtidos em diversos conjuntos de dados e os compara com outros métodos da literatura. Os resultados indicam que a proposta se apresenta como uma alternativa promissora, obtendo resultados comparáveis aos melhores métodos da literatura.