Técnicas de análise em séries temporais para detectar outliers em aplicações de monitoramento ambiental

Abstract

O trabalho visa desenvolver uma solução abrangente para a detecção e tratamento de

outliers em dados de redes de sensores sem fio (RSSF). Utilizando técnicas de aprendi- zado de máquina e estatísticas, como K-Nearest Neighbors (KNN), K-means, DBSCAN

e Autoencoders, o estudo aplica essas metodologias a base de dados de estações metearológicas para avaliar a eficácia de cada técnica na identificação de anomalias. A pesquisa detalha a implementação e os resultados obtidos, demonstrando que os métodos propostos são eficazes na detecção de outliers, contribuindo para a melhoria da qualidade dos dados coletados. O trabalho destaca a importância da detecção e tratamento dos outliers para garantir a confiabilidade das medições e a precisão das análises em sistemas baseados em RSSF, além disso, entender o contexto em que os dados anômalos ocorrem, verificando se são erros ou eventos, locais ou globais.

The study aims to develop a comprehensive solution for the detection and treatment of

outliers in wireless sensor network (WSN) data. Utilizing machine learning and statisti- cal techniques, such as K-Nearest Neighbors (KNN), K-means, DBSCAN, and Autoen- coders, the methodologies are applied to meteorological station databases to evaluate

the effectiveness of each technique in identifying anomalies. The research details the implementation and results obtained, demonstrating that the proposed methods are

effective in detecting outliers, contributing to the improvement of the quality of the col- lected data. The study highlights the importance of outlier detection and treatment to

ensure the reliability of measurements and the accuracy of analyses in WSN-based systems, as well as understanding the context in which anomalous data occur, verifying whether they are errors or events, local or global.