Explorando a correlação espaço-temporal no agrupamento de sensores de cidades inteligentes

Abstract

Neste trabalho, propusemos uma função de similaridade chamada de SMELL-TS, baseada em aprendizagem de métrica profunda, para classificação de séries temporais no contexto de Zero-shot Learning, i.e., nosso método é apto a classificar objetos que pertecem a classes que ainda não foram usadas no conjunto de treinamento. Os dados são pré-processados pela Transformada de Fourier de Curto Termo, e posteriormente, são mapeados em dois novos espaços de representação, chamados de espaço latente e Espaço-S. Testamos nosso modelo num conjunto de dados reais de sensores distribuídos em um edifício inteligente, buscando agrupar sensores co-localizados no mesmo ambiente. Nosso método apresentou melhores resultados quando comparado com outras técnicas encontradas na literatura, com um ganho de 15 % na métrica de Room Accuracy – porcentagem de sensores co-localizados corretamente agrupados pelo SMELL-TS.