A polygonal autoregressive time series model
Análise de dados simbólicos, dados poligonais, análise de séries temporais, modelos lineares generalizados
À medida que o monitoramento contínuo e a coleta de dados se tornam cada vez mais comuns, cresce também a demanda por técnicas eficientes de análise de séries temporais. A literatura recente tem expandido as abordagens clássicas de séries temporais por meio da incorporação de representações simbólicas dos dados, como intervalos e quantis, que podem preservar mais informações do que os formatos tradicionais baseados em pontos ao resumir conjuntos de dados extensos. Entre os tipos de dados simbólicos, variáveis poligonais foram recentemente introduzidas com o objetivo de preservar melhor as estruturas presentes em dados agregados. Nesse contexto, propomos um novo modelo de séries temporais poligonais baseado em Modelos Lineares Generalizados (GLMs) com estruturas autorregressivas (AR), com o intuito de aprimorar os métodos atuais de análise de séries temporais em larga escala. O modelo proposto é validado por meio de simulações de Monte Carlo e avaliações empíricas em dois conjuntos de dados reais.