Compartilhamento |
|
Use este identificador para citar ou linkar para este item:
https://tedebc.ufma.br/jspui/handle/tede/tede/3354
Tipo do documento: | Dissertação |
Título: | Metodologia baseada em aprendizado profundo para agrupamento de séries temporais univariadas |
Título(s) alternativo(s): | Deep learning-based methodology for grouping univariate time series |
Autor: | ARAÚJO, Alexandre de Carvalho |
Primeiro orientador: | PAIVA, Anselmo Cardoso de |
Primeiro coorientador: | SOUSA, João Dallyson Almeida de |
Primeiro membro da banca: | PAIVA, Anselmo Cardoso de |
Segundo membro da banca: | SOUSA, João Dallyson Sousa de Almeida de |
Terceiro membro da banca: | GOMES JÚNIOR, Daniel Lima |
Quarto membro da banca: | SERRA, Ginalber Luiz de Oliveira |
Resumo: | Concessionárias de energia elétrica têm a necessidade de planejar a distribuição de energia de tal maneira a atender a necessidade de seus clientes. Além disso, analisar o consumo dos clientes para detectar irregularidades é uma outra tarefa importante para essas empresas. Para tais tarefas, a descoberta de padrões de consumo é essencial. A descoberta destes padrões se trata de uma tarefa de agrupamento. Existe uma grande quantidade de abordagens para agrupar dados, mas uma área de pesquisa relativamente nova neste campo é o uso de aprendizado profundo. Grande parte do esforço realizado nessa área se direciona a dados estáticos. No entanto aplicações que utilizam dados temporais, como consumo de energia elétrica, se tornam cada dia mais populares e relativamente pouco esforço de pesquisa é realizado nesta área. Este trabalho apresenta uma metodologia baseada na arquitetura Deep Embedded Clustering (DEC), uma abordagem para agrupamento utilizando aprendizado profundo, que foca em dados temporais além de abordar uma das deficiências originais do DEC, a necessidade de definir a priori a quantidade de grupos a serem criados, o que geralmente não é conhecido em problemas reais. Para avaliar a metodologia proposta, foram conduzidos experimentos sobre a estimação do número de grupos em 66 conjunto de dados cujo número de grupos é conhecido e para avaliar a capacidade de descoberta de padrões de consumo, foram realizados experimentos em 2 conjunto de dados de séries de consumo elétricos reais fornecidos por uma concessionária de energia elétrica. Os resultados encontrados apontam que tanto a estimação do número de grupos quanto o agrupamento em si da metodologia proposta são superiores à abordagens encontradas na literatura, indicando que a metodologia pode ser uma ferramenta efetiva para as concessionárias de energia elétrica. |
Abstract: | Electrical energy companies have a need to plan energy distribution to fulfill the needs of it’s costumers. They also need to analyze energy consumption to detect irregularities. To perform these tasks, consumption patterns discovery is an essential tool. Discovery of these patterns is a clustering task. There is a great number of approachs to cluster data, but a relatively new research subject for this task is the usage of deep learning. Great effort in this area is allocated to static data. However, applications that use time series data have been growing in the last years and not as much research effort is being made in this area. In this work, we propose a new methodology based in the Deep Embedded Clustering architecture, a popular deep clustering algorithm, to cluster electric consumption time series data while also approaching one of the flaws present on DEC, the need to inform number of clusters a priori, which isn’t generally known in real problems. To evaluate our methodology, we conducted tests regarding cluster number estimation in 66 time series datasets with known cluster numbers and to evaluate the consumption pattern discovery, we use 2 real electrical consumption datasets provided by a energy consumption company. Our results show superior performance when compared to approaches found in the literature for both cluster number estimation and clustering, indicating that the proposed methodology may be a effective tool for electrical energy companies. |
Palavras-chave: | Agrupamento de séries temporais Aprendizado profundo Estimação de número de grupos Time series clustering Deep Clustering Cluster number estimation Electrical energy consumption |
Área(s) do CNPq: | Ciência da Computação |
Idioma: | por |
País: | Brasil |
Instituição: | Universidade Federal do Maranhão |
Sigla da instituição: | UFMA |
Departamento: | DEPARTAMENTO DE INFORMÁTICA/CCET |
Programa: | PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET |
Citação: | ARAÚJO, Alexandre de Carvalho. Metodologia baseada em aprendizado profundo para agrupamento de séries temporais univariadas. 2021. 63 f. Dissertação (Programa de Pós-Graduação em Ciência da Computação/CCET) - Universidade Federal do Maranhão, São Luís, 2021. |
Tipo de acesso: | Acesso Aberto |
URI: | https://tedebc.ufma.br/jspui/handle/tede/tede/3354 |
Data de defesa: | 13-Mai-2021 |
Aparece nas coleções: | DISSERTAÇÃO DE MESTRADO - PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
ALEXANDRE-ARAÚJO.pdf | Dissertação de Mestrado | 1,19 MB | Adobe PDF | Baixar/Abrir Pré-Visualizar |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.