Embedding Fuzzy Time Series: a framework for high-dimensional time series forecasting in IoT applications

Abstract

Na Internet das Coisas (IoT), séries temporais multivariadas (de alta dimensão) são coletadas e armazenadas continuamente a partir de diferentes fontes de dados. Essas séries temporais são não-estacionárias visto que as características estatísticas do processo de geração dos dados modificam-se ao longo do tempo tornando-se dependentes do tempo. O processo de tomada de decisão em aplicações em Internet das Coisas pode envolver vários fatores e critérios. Portanto, é de grande valia para IoT, métodos de previsão inteligentes capazes de lidar com séries temporais multivariadas não-estacionárias e múltiplas saídas. Os métodos de Fuzzy Time Series (FTS) destacam-se como algoritmos não paramétricos orientados a dados, de fácil implementação e alta acurácia. Contudo, a previsão de séries temporais usando os métodos FTS existentes pode ser inviável caso todas as variáveis sejam utilizadas no treinamento do modelo em um problema de previsão, além disso, métodos de previsão FTS frequentemente enfrentam limitações ao lidar com dados de alta dimensão e fazer previsões de múltiplas saídas. Nesse sentido, para resolver os desafios apresentados, este trabalho apresenta um novo framework para previsão de séries temporais multivariadas não-estacionárias em aplicações de IoT denominado embEFTS (Embedding Fuzzy Time Series). Dessa forma, foi aplicada uma combinação de embedding (redução de dimensionalidade) com modelos FTS. A combinação dessas técnicas permitiu uma melhor representação dos dados mais relevantes para previsão das séries temporais e previsões mais acuradas. Projetado como uma solução explicável e baseada em dados, embEFTS é flexível e adaptável a diversas aplicações de IoT. O embEFTS foi avaliado em múltiplos conjuntos de dados reais de séries temporais de alta dimensão na área de IoT. Os resultados experimentais demonstram que nosso framework supera diversos modelos de aprendizado de máquina e aprendizado profundo, incluindo LSTM, BiLSTM, CNN-LSTM, GRU, RNN, MLP, GBM e TCN. Comparado a abordagens existentes e resultados previamente publicados na literatura, embEFTS apresenta eficiência, acurrácia e parcimônia superiores. O framework proposto foi testado em várias bases de dados de IoT do mundo real. O embEFTS é uma abordagem explicável e orientada a dados, que é flexível e adaptável a diferentes aplicações de IoT. Os resultados experimentais mostram que o nosso framework supera na acurácia diversos métodos de aprendizado de máquina e aprendizado profundo. Além disso, os resultados confirmam a eficiência e parcimônia do embEFTS em comparação com outras abordagens e resultados publicados na literatura. Portanto, embEFTS é uma solução robusta e eficaz para previsão de séries temporais não estacionárias de alta dimensão.