Home

Séries Temporais para Predição e Detecção de Eventos

Repositório com materiais didáticos e científicos sobre séries temporais, desenvolvido no contexto das atividades de ensino e extensão do DAL (Data Analytics Lab).

O curso é organizado em torno de duas perguntas centrais:

1. O que acontecerá depois?
2. Quando algo relevante aconteceu ou está acontecendo?

A primeira pergunta conduz o bloco de predição de séries temporais. A segunda conduz o bloco de detecção de eventos temporais, incluindo anomalias, pontos de mudança, motifs, discords, drift, avaliação e problemas abertos. Os slides teóricos são complementados por vídeos e por materiais práticos dos frameworks tspredit e harbinger.

Ementa

Análise de Séries Temporais. Conceitos fundamentais e componentes estruturais das séries temporais. Técnicas de pré-processamento e representação de dados temporais. Modelos estatísticos e computacionais para predição temporal. Avaliação de previsões. Detecção de eventos, incluindo anomalias, pontos de mudança, motifs, discords e desvio de conceito. Detecção em fluxo, cenários online e problemas de avaliação temporal. Implementação prática de métodos e avaliação de desempenho em dados reais.

Objetivos

Fundamentar os conhecimentos indispensáveis à análise e modelagem de dados temporais, com foco em duas tarefas complementares: prever valores futuros e detectar eventos relevantes ao longo do tempo. Para isso, é realizado um estudo sistemático dos conceitos fundamentais de séries temporais, das técnicas de pré-processamento e representação, dos modelos de predição e dos métodos de detecção de anomalias, pontos de mudança, padrões recorrentes, padrões raros e drift.

O curso busca proporcionar um sólido embasamento teórico aliado à prática computacional, capacitando o aluno a selecionar, aplicar, avaliar e interpretar métodos de análise de séries temporais em diferentes contextos, incluindo cenários offline e online, e a desenvolver soluções computacionais aplicadas a dados temporais reais.

Slides

Os slides teóricos seguem três blocos: fundamentos e representação, modelos de predição e detecção de eventos temporais.

1. Séries Temporais para Predição e Detecção de Eventos - Fundamentos de séries temporais orientados às duas tarefas centrais do curso: prever valores futuros e detectar eventos relevantes. PDF
2. Estrutura Temporal e Componentes da Série - Decomposição, tendência, sazonalidade, ciclos, ruído, estabilização da variância e autocorrelação. PDF
3. Preparação e Representação de Séries Temporais - Pré-processamento, normalização, transformações, representações locais, janelas, resíduos e modelagem preditiva. PDF
4. Modelos Lineares e Previsão Temporal - Ruído branco, processos lineares, operador de defasagem, AR, MA, ARMA, ARIMA, Box-Jenkins e previsão. PDF
5. Modelos Estendidos para Predição - SARIMA, regressão com erros temporais, SARIMAX, heterocedasticidade, ARCH/GARCH, modelos não lineares e avaliação de previsões. PDF
6. Introdução à Detecção de Eventos - Conceitos, estrutura de dados, taxonomia, representação e classes principais de eventos em séries temporais. PDF
7. Detecção de Anomalias - Comportamento típico, ruído, outliers, anomalias estruturais, limiares, densidade, representação e pipeline de detecção. PDF
8. Detecção de Pontos de Mudança - Mudanças estruturais, hipóteses estatísticas, segmentação ótima, estatísticas de mudança e métodos como Chow, CUSUM, Page-Hinkley, PELT, BOCPD, HMM e ML. PDF
9. Motifs e Discords - Padrões recorrentes e raros em subsequências, janela temporal, similaridade, distância, Matrix Profile, clustering e modelos probabilísticos. PDF
10. Detecção Online e Drift - Fluxo temporal, latência, restrições online, janelas, estatísticas incrementais, modelos adaptativos, métodos online e drift. PDF
11. Avaliação de Eventos Temporais - Correspondência temporal, tolerância, métricas pontuais e intervalares, latência, benchmarks, ground truth e protocolo experimental. PDF
12. Problemas Abertos em Detecção de Eventos - Fragmentação da área, interseções entre subáreas, tipicidade temporal, teoria geral, multiescala, semântica e desafios científicos. PDF

Playlist

A playlist do curso reúne as aulas em vídeo correspondentes aos slides teóricos e práticos:

Análise de Séries Temporais

Slides práticos

Os materiais práticos abaixo conectam a teoria às ferramentas desenvolvidas pelo DAL. Eles devem ser lidos como laboratórios aplicados dos dois eixos do curso:

• tspredit apoia o bloco de predição, com preparação de dados, modelagem, validação e comparação de previsões.
• harbinger apoia o bloco de detecção de eventos, com métodos para anomalias, pontos de mudança, motifs e avaliação.

tspredit

tspredit é uma estrutura (framework) para predição de séries temporais. Ela oferece um ambiente integrado para modelagem e predição, disponibilizando uma ampla variedade de métodos, além de funções para visualização e avaliação das predições realizadas.

Página do projeto: https://cefet-rj-dal.github.io/tspredit/

1. t01-tspredit.pdf - visão geral do framework tspredit para predição de séries temporais com ajuste integrado.
2. t02-tutorial.pdf - tutoriais práticos do tspredit, com casos de uso típicos e comparação de modelos.
3. t03-data.pdf - utilitários de dados do tspredit, cobrindo representação tabular, projeção supervisionada e divisão temporal para avaliação.
4. t04-datasets.pdf - uso de datasets e pipelines de ingestão para séries temporais.
5. t05-filter.pdf - técnicas de filtragem e seleção de dados temporais.
6. t06-augment.pdf - métodos de augmentação e engenharia de features para séries temporais.
7. t07-normalization.pdf - normalização e pré-processamento escalável.
8. t08-prediction.pdf - modelos de previsão e avaliação de performance.
9. t09-custom.pdf - customização de workflows e componentes do tspredit.

harbinger

harbinger é uma estrutura (framework) para detecção de eventos em séries temporais. Ela oferece um ambiente integrado para a detecção de anomalias, a identificação de pontos de mudança e a descoberta de padrões recorrentes. Disponibiliza uma ampla variedade de métodos de detecção, além de funções para visualização e avaliação das detecções realizadas.

Página do projeto: https://cefet-rj-dal.github.io/harbinger/

1. h01-harbinger.pdf - apresentação do framework harbinger para detecção de eventos em séries temporais.
2. h02-tutorial.pdf - tutorial prático de uso do harbinger, com exemplos guiados de aplicação.
3. h03-general.pdf - visão geral dos componentes e fluxos gerais de trabalho do harbinger.
4. h04-datasets.pdf - uso de datasets e preparação de dados para tarefas de detecção temporal.
5. h05-transformations.pdf - transformações e pré-processamento de séries temporais no harbinger.
6. h06-anomalies.pdf - detecção de anomalias com o harbinger.
7. h07-changepoint.pdf - detecção de pontos de mudança com o harbinger.
8. h08-motifs.pdf - descoberta de motifs e padrões recorrentes com o harbinger.
9. h09-custom.pdf - customização de workflows e componentes do harbinger.

Repositório

https://github.com/eogasawara/series-temporais

Issues

Deixe bugs, dúvidas e sugestões em https://github.com/eogasawara/series-temporais/issues.