Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.004

Aluno: Denisson Augusto Bastos Leal
Orientador: Prof. Adriano Lorena Inácio de Oliveira
Co-orientador: Prof. Ricardo de Andrade Araújo (IFSPE)
Título: Ensembles Dinâmicos para Detecção de Concept Drift em Séries 
Temporais
Data: 03/03/2022
Hora/Local: 15h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Paulo Salgado Gomes de Mattos Neto  (UFPE / Centro de Informática)
Prof. Jarley Palmeira Nóbrega (MCTI / Centro de Tecnologias Estratégicas do Nordeste)
Prof. Adriano Lorena Inácio de Oliveira (UFPE / Centro de Informática)


RESUMO:

Séries temporais são medições realizadas em um intervalo fixo de tempo, que podem ser usadas em diversos tipos de problemas. Elas são estudadas por diversas áreas a fim de compreender as características de sua geração. Existe uma área mais específica de previsão de séries temporais que busca capturar a tendência e encontrar um padrão dos movimentos em situações que já ocorreram para prever a próxima observação da série. Porém, ao longo do tempo podem acontecer alguns eventos que mudam todo o contexto da série, o concept drift, e o conhecimento armazenado da série pode não refletir mais a realidade da série após esse evento. Então, quando um modelo de aprendizado de máquina é treinado para realizar previsões e um concept drift acontece, esse modelo passa a ficar defasado e para a atualização do modelo, alguns pontos do novo conceito precisam ser capturados e armazenados, até serem suficientes para um novo treinamento. Durante esse período de coleta de dados os modelos aumentam exponencialmente seu erro, afetando o desempenho geral do sistema de previsão e dependendo da frequência em que o concept drift aconteça, pode inviabilizar o seu uso. O objetivo deste trabalho é propor um método para previsão de séries temporais na presença de concept drift, minimizando o impacto da redução do desempenho preditivo durante o processo de adaptação ao novo conceito. Para isso foram propostos três métodos que usam o conceito antigo para melhorar o desempenho nessa fase de adaptação. Os métodos usam PSO para otimização do treinamento de partículas ELM, que são usadas na previsão e como sensores para detecção concept drift. O primeiro método usa um ensemble com todas as partículas treinadas. O segundo usa uma combinação, usando o algoritmo guloso, das melhores partículas quando o concept drift é detectado até a sua adaptação. E o terceiro usa a melhor combinação das partículas desde o início e atualiza a combinação depois da detecção de um concept drift. Todos os métodos propostos fazem adaptação para o novo conceito depois de ter dados suficientes para o treinamento. Nos experimentos foram usadas sete séries, sendo elas quatro geradas sinteticamente com concept drift conhecidos e três séries reais de índices do mercado financeiro com concept drift desconhecidos. Os resultados do experimento foram comparados com métodos disponíveis na literatura e os métodos propostos que se adaptam usando uma combinação das melhores partículas conseguiram resultados melhores com significância estatística. Mostrando que, o período de adaptação do método ao novo conceito é relevante no erro geral da previsão e que o treinamento anterior pode ajudar a reduzir esse erro.


Palavras-chave: Séries Temporais. Concept Drift. Aprendizado de Máquina. 
Ensemble.

Comentários desativados