SAXJS: SAX based online change point detection

Abstract

Séries temporais são representações organizadas cronologicamente ao longo do tempo, usadas para descrever a dinâmica de um determinado sistema. O comportamento deste sistema pode apresentar variações ao longo do tempo, e os pontos no tempo onde essas variações ocorrem são chamados de pontos de mudança. Detectar esses pontos de mudança é uma tarefa importante com diversas aplicações relevantes para o mundo atual, como no monitoramento de mudanças climáticas, investigação de problemas médicos, compreensão de ondas cerebrais, padrões de sono e aprimoramento da classificação de imagens como uma etapa de pré-processamento. Apesar da detecção de ponto de mudança ser uma área explorada na literatura por décadas, ainda existem alguns desafios. Notavelmente, existe a demanda por algoritmos que operem de forma \textit{online} sem que seja preciso a informação da série temporal por completo, e por algoritmos que demonstrem adaptabilidade a diversos sistemas. Neste trabalho, nós propomos um novo método capaz de resolver esses desafios. Nossa abordagem é baseada em transformações de séries temporais do tipo \textit{Symbolic Aggregate ApproXimation} (SAX), simbologia de \textit{Bag-of-Patterns} (BOP), probabilidade de transição entre símbolos e distância Jensen-Shannon. Avaliamos nosso algoritmo proposto utilizando casos sintéticos e dados do mundo real, comparando-o com métodos de detecção de pontos de mudança do estado da arte e obtivemos os melhores resultados em aproximadamente 71% dos experimentos.