@MASTERSTHESIS{ 2023:42316510,
 	title = {Imputação de dados faltosos em séries Temporais Univariadas utilizando meta-aprendizado baseado em Rede Neural LSTM Híbrida},
 	year = {2023},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/tede/4710",
 	abstract = "Séries temporais são dados coletado ao longo do tempo regularmente, descrevendo a média
 de um evento no tempo. Por esse, e outros motivos, as séries temporais vêm ganhando cada
 vez mais espaço em diversas áreas, tais como aplicações comerciais, naturais, médicas. Uma
 das principais problemáticas envolvendo séries temporais está na perda de dados e, para
 recuperá-los, existem diversas abordagens de imputação em séries temporais univariadas.
 Com objetivo de contribuir com a área de imputação em séries temporais, este estudo
 propõe um novo método de imputação de valores faltosos baseado em meta-aprendizado.
 Inicialmente, selecionou-se dez técnicas clássicas para imputar dados de séries temporais
 e a partir do erro construiu-se uma base de metadados, com as séries rotuladas em dez
 classes, conforme o menor erro obtido. Além das dez técnicas utilizadas, propôs-se uma
 nova técnica de imputação usando a rede Pix2Pix GAN, que imputa a partir de imagens
 de séries temporais. Somado a isso, foi proposta uma nova arquitetura de rede denominada
 HybridLSTM para recomendar, a partir dos metadados rotulados, a melhor técnica de
 imputação para uma determinada série. Assim, mostrou-se que a rede HybridLSTM
 sugeriu as melhores técnicas de imputação de dados a partir das características das
 séries, superando em diversas oportunidades as imputações de técnicas clássicas como
 interpolação linear e interpolação Akima. A técnica de imputação proposta foi avaliada
 em nove datasets diferentes e alcançou um ASMAPE médio de 9,51%, um máximo de
 22,75% e um mínimo de 3,73%. Mostrou-se ainda que a abordagem de imputar dados por
 meio de janelamento utilizando várias técnicas em pequenas fatias de séries temporais
 é um campo promissor e, assim, abriu-se espaço para diversas outras pesquisas como a
 imputação de dados faltosos em séries temporais por meio de imagens e redes GANs.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET},
 	note = {DEPARTAMENTO DE INFORMÁTICA/CCET}
}