Fechar

%0 Thesis
%4 sid.inpe.br/mtc-m21c/2020/05.29.15.18
%2 sid.inpe.br/mtc-m21c/2020/05.29.15.18.52
%T Detecção de padrões em dados espaciais e temporais via redes complexas
%J Pattern detection in spatial and temporal events through complex networks
%D 2021
%8 2020-04-29
%9 Tese (Doutorado em Computação Aplicada)
%P 130
%A Cotacallapa Choque, Frank Moshe,
%E Grande, Helder Luciani Casa (presidente),
%E Quiles, Marcos Gonçalves (orientador),
%E Cardoso, Manoel Ferreira (orientador),
%E Macau, Elbert Einstein Nehrer (orientador),
%E Ferreira, Karine Reis,
%E Carvalho, Solon Venâncio de,
%E Basgalupp, Márcio Porto,
%E Breve, Fabrício Aparecido,
%I Instituto Nacional de Pesquisas Espaciais (INPE)
%C São José dos Campos
%K sistemas complexos, redes complexas, redes temporais, redes dinâmicas, complex systems, complex networks, temporal networks, dynamic networks.
%X A cada ano, novos desafios são encontrados na área de mineração de dados. O respeito pela privacidade dos usuários, o desenvolvimento de soluções em tempo real, armazenamento e processamento em grande escala são alguns dos temas que estão em destaque, atualmente, na computação. Além disso, sabemos que os dados gerados ao nosso redor estão relacionados a situações complexas, em diferentes níveis de detalhe, e mudando ao longo do tempo. Considerando esse contexto, o trabalho desenvolvido propõe métodos para obter informações sobre padrões em eventos temporais e espaciais, a partir do uso de redes complexas. Nesse sentido, sabendo que há uma demanda crescente por abordagens que lidem com os desafios modernos da mineração dos dados, o método proposto aqui, busca preencher essa necessidade com foco na simplicidade, flexibilidade e novos resultados. Em poucas palavras, este método identifica estágios ou estados pelos que passa um conjunto de eventos ao longo do tempo, usando como base a construção cronológica de uma rede complexa e aplicando algoritmos de detecção de comunidades. Adicionalmente, é feita uma detalhada comparação entre um algoritmo de agrupamento e o método proposto, a fim de obter as principais diferenças e mensurar como estes se comportam e conjuntos fictícios de dados temporais. ABSTRACT: Every year, new challenges are faced in data mining. The respect for users privacy, real-time solutions, data processing in large scale are some of the trending topics in this area. Besides this, huge amounts of generated data around us is related to complex situations, in different levels of details, and changing along time. Within this context, the work developed along these lines propose methods to get information related to significant changes in temporal datasets, based on the use of complex networks, with focus on temporal events and temporal sequences. In addition to this, considering the growing demand for new approaches to deal with modern challenges in data mining, the proposed algorithm intend to fill part of this gap by focusing on three characteristics: simplicity, flexibility and novelty results. In few words, this method is able to identify phases or stages in sets of spatio-temporal events, based on the use of community detection algorithms and cronological complex networks. Furthermore, a detailed comparison is made between a state-of-the-art clustering algorithm and the proposed method, in order to identify the main differences and how they behave in several toy data models.
%@language pt
%3 publicacao.pdf


Fechar