Sistemas Preditivos baseados em Aprendizagem de Máquina para Previsão de Fluxos de Dados

Descrição

Sistemas preditivos baseados em aprendizagem de máquina são utilizados em muitas aplicações do mundo real, como (i) previsão de dados epidemiológicos, como COVID-19; (ii) previsão de dados de temperatura, como clima e chuvas; (iii) previsão de séries temporais financeiras; e (iv) classificação de análise de crédito. No entanto, essa é uma tarefa bastante complexa, uma vez que esses dados são de natureza não estacionaria, o que significam que podem mudar e evoluir com o tempo. Esse problema é conhecido como mudança de conceito (Concept Drift). Na presença da mudança de conceito, os algoritmos tradicionais de aprendizagem de máquina, geralmente, apresentam baixo desempenho de previsão. Isso ocorre por que dados não estacionários, tornam o aprendizado dos modelos preditivos obsoletos ao longo do tempo. Previsões imprecisas dificultam a tomada de decisões por meio dos gestores o que impossibilitam implementações de estratégias adequadas para ajudar a população. Diante disso, este projeto propõe o desenvolvimento de um sistema adaptativo que seja capaz de prever comportamentos futuros em fluxos de dados que tem a sua distribuição alterada ao longo do tempo. A hipótese desse projeto é que a investigação detalhada dos tipos de mudanças de conceito pode ajudar na criação de um sistema mais preciso e eficiente. Espera-se avaliar o sistema desenvolvido em comparação com diferentes abordagens da literatura que afirmam lidar com o mesmo problema, utilizando métricas como acurácia média, G-mean e acurácia ao longo do tempo em conjuntos de dados artificiais e reais