Dê o próximo passo e inicie sua carreira
Dê o próximo passo e inicie sua carreira agora mesmo
2 minutos de leitura
Autor(a)
Fique por dentro de conteúdos, insights e oportunidades do universo tech. Receba novidades e lançamentos direto no seu e-mail.
Uma série temporal é uma sequência de pontos ordenados de forma cronológica. Normalmente, a série temporal possui uma sequência de dados equidistantes no tempo.
A análise de séries temporais é realizada com o intuito de explorar o comportamento passado e também de prever o comportamento futuro em um determinado problema.
A aplicação mais comum quando tratamos de séries temporais é a previsão de valores futuros. Nestes casos queremos enxergar um padrão na série que nos permita saber qual será a tendência no valor do dólar ou nas vendas de um determinado produto.
Na figura a seguir, é mostrado o resultado do ajuste de uma função à base de dados de carros da figura anterior. O ajuste foi realizado nos dados de 1960 até 1966 (pontos pretos) e isto permitiu a previsão dos valores de 1967 em diante de forma satisfatória.
Existem situações onde o objetivo é identificar certos padrões ou formas que aparecem na série em um determinado momento. Isso é o que chamamos de classificação em uma série temporal.
Um exemplo clássico de uma série temporal onde queremos identificar o tipo de sinal, é um eletrocardiograma. No eletrocardiograma temos a representação do batimento cardíaco no decorrer do tempo. A forma do sinal pode indicar um batimento normal ou um batimento que representa um problema.
Neste exemplo, temos duas classes diferentes representando os barulhos de um motor de carro:
O clustering é utilizado para agrupar pontos em uma base de dados, através da proximidade que estes pontos têm entre si. Isso também pode ser feito com séries temporais. No exemplo do barulho no motor de um carro, podemos saber de antemão o que cada barulho (classe) representa, porém, em um primeiro contato, podemos tentar coletar diversos barulhos (séries temporais) e depois tentar agrupar essas séries.
Identificando grupos de dados podemos tentar inferir o que cada grupo representa. Neste exemplo, gerado com a biblioteca tslearn, foi possível obter três grupos diferentes dentro de um mesmo conjunto de séries temporais.
Conclusão
Espero que estes conceitos tenham te ajudado a entender um pouco mais sobre séries temporais. Aqui na Alura, você pode começar os seus estudos sobre o tema no curso Data Science: Introdução a análise de séries temporais e Análise de série temporal: COVID-19
Avalie este artigo
