Tese

Evolving discrete dynamic bayesian networks: an approach for time series (2023)

• Authors:
  • Santos, Talysson Manoel de Oliveira
  • Silva, Ivan Nunes da (Orientador)
• Autor USP: SANTOS, TALYSSON MANOEL DE OLIVEIRA - EESC
• Unidade: EESC
• Sigla do Departamento: SEL
• DOI: 10.11606/T.18.2023.tde-20092023-105645
• Subjects: INFERÊNCIA BAYESIANA; GÁS CARBÔNICO; ANÁLISE DE SÉRIES TEMPORAIS; APRENDIZADO COMPUTACIONAL; PROBABILIDADE
• Keywords: Aprendizado de estruturas robustas; Dados faltantes; Rede bayesiana dinâmica evolutiva; Séries temporais
• Agências de fomento:
  • Financiamento CAPES
• Language: Inglês
• Abstract: A descoberta de conhecimento em conjuntos de dados de séries temporais é um assunto de grande interesse e importância tanto na academia quanto na indústria. Para tal, um conjunto de teorias e ferramentas computacionais foram propostas e utilizadas para extrair informações úteis de séries temporais para auxiliar na tomada de decisões em diferentes áreas. Dentre as possibilidades, a rede bayesiana é um modelo gráfico probabilístico que representa um conjunto de variáveis aleatórias e suas dependências estatísticas condicionais por meio de um grafo acíclico direcionado (DAG). Nesta pesquisa de doutorado, propõe-se uma metodologia para lidar com séries temporais baseada na evolução de Redes Bayesianas Dinâmicas (EDBN) discretas por um limiar analítico para selecionar arestas direcionadas pela frequência de ocorrência à medida que novos conjuntos de dados são coletados. Assim, nesta proposta, à medida que novos conjuntos de dados são coletados, o algoritmo aprende a estrutura de um DBN usando uma métrica de pontuação e o método hill-climbing e então usa o limite analítico para selecionar as arestas direcionadas entre os nós pela frequência de ocorrência. O método desenvolvido converge suavemente para um modelo robusto e se adapta constantemente à chegada de novos dados, obtendo modelos de rede mais confiáveis. Escolhe-se o modelo discreto por ser uma abordagem não paramétrica que pode ser adequada para diferentes comportamentos de dados sem modificações manuais, ou seja,totalmente orientado a dados. Avaliou-se essa proposta lidando com conjuntos de dados reais de séries temporais em imputação de dados e previsão de emissões de CO2 durante a geração de energia, que são dois contextos que receberam muita atenção de pesquisadores nos últimos anos. Avaliando os resultados em relação aos métodos de imputação amplamente utilizados, a abordagem proposta provou ser capaz de lidar com a imputação de dados em conjuntos de dados de séries temporais para faltas completamente aleatórias e para faltas não aleatórias. No contexto da previsão de emissões de CO2 em sistemas de geração de energia de várias fontes, foi utilizado conjuntos de dados reais da Bélgica, Alemanha, Portugal e Espanha. A abordagem proposta mostrou-se capaz de lidar com a previsão de emissões de CO2 nos sistemas avaliados neste estudo. Comparando os resultados com um DBN tradicional que não evolui a estrutura ao longo do tempo, a proposta desenvolvida foi superior destacando uma contribuição de melhoria de desempenho. O método proposto também foi melhor quando comparado a outros métodos tradicionais. Além disso, o modelo também é computacionalmente eficiente, tornando a proposta desenvolvida uma boa opção para incorporar tal abordagem para lidar com séries temporais em aplicações online
• Imprenta:
  • Publisher place: São Carlos
  • Date published: 2023
• Data da defesa: 16.08.2023

Informações sobre o DOI: 10.11606/T.18.2023.tde-20092023-105645 (Fonte: oaDOI API)
• Este periódico é de acesso aberto
• Este artigo é de acesso aberto
• URL de acesso aberto
• Cor do Acesso Aberto: gold
• Licença: cc-by-nc-sa

---

How to cite

A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

• ABNT

  SANTOS, Talysson Manoel de Oliveira. Evolving discrete dynamic bayesian networks: an approach for time series. 2023. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2023. Disponível em: https://www.teses.usp.br/teses/disponiveis/18/18153/tde-20092023-105645/. Acesso em: 11 jun. 2024.

• APA

  Santos, T. M. de O. (2023). Evolving discrete dynamic bayesian networks: an approach for time series (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/18/18153/tde-20092023-105645/

• NLM

  Santos TM de O. Evolving discrete dynamic bayesian networks: an approach for time series [Internet]. 2023 ;[citado 2024 jun. 11 ] Available from: https://www.teses.usp.br/teses/disponiveis/18/18153/tde-20092023-105645/

• Vancouver

  Santos TM de O. Evolving discrete dynamic bayesian networks: an approach for time series [Internet]. 2023 ;[citado 2024 jun. 11 ] Available from: https://www.teses.usp.br/teses/disponiveis/18/18153/tde-20092023-105645/

Últimas obras dos mesmos autores vinculados com a USP cadastradas na BDPI:

• Evolving dynamic bayesian networks for CO2 emissions forecasting in multi-source power generation systems
• Graph model evolution during epileptic seizures: linear model approach
• CO2 emissions forecasting in multi-source power generation systems using dynamic bayesian network
• Survival analysis of electrical power distribution systems using weibull regression
• Entropy: from thermodynamics to signal processing
• Multiple households very short-term load forecasting using bayesian networks
• Applying PDC for the recognition of firearm’s calibre
• Time to event analysis for failure causes in electrical power distribution systems