Extração de Características de Séries Temporais

O último tipo de dado para o qual analisaremos o processo de extração de características é o de séries temporais.

Que dados podemos extrair de tais conjuntos de dados? A extração de características de séries temporais refere-se ao processo de identificar e extrair padrões, tendências e características importantes de um conjunto de dados de série temporal. Isso é importante para várias aplicações, como previsão, detecção de anomalias e classificação. As técnicas de extração de características podem ajudar a reduzir a dimensionalidade dos dados de séries temporais e extrair informações significativas que podem ser usadas em modelos de aprendizado de máquina para análise preditiva.

Existem vários métodos para extração de características de dados de séries temporais. Aqui estão quatro métodos comuns:

Características estatísticas: isso envolve calcular várias propriedades estatísticas da série temporal, como média, variância, assimetria, curtose e assim por diante. Essas características são úteis para detectar tendências e padrões nos dados.
Transformadas de Fourier envolvem transformar a série temporal no domínio da frequência usando uma transformada de Fourier. Isso nos permite identificar padrões periódicos e tendências cíclicas nos dados.
Transformadas de Wavelet envolve transformar a série temporal no domínio tempo-frequência usando uma transformada de wavelet. Isso permite a identificação de características e tendências localizadas nos dados.
Autoregressão: isso envolve modelar a série temporal como uma combinação linear de seus valores passados. Isso permite a identificação de padrões e tendências nos dados ao longo do tempo.

Vamos passar para um exemplo. Em pesquisas de plasmônica, a análise de transformadas de Fourier é usada para estudar o comportamento dos plasmons, que são ondas eletromagnéticas que se propagam em superfícies metálicas. Os plasmons têm aplicações em vários campos, incluindo imagem biomédica, detecção e comunicação óptica.

Na análise do comportamento dos plasmons, transformadas de Fourier podem ser usadas para extrair as frequências de interesse de uma série temporal de dados de ressonância de plasmon.

Podemos usar a biblioteca numpy para realizar uma transformada de Fourier em dados de ressonância de plasmon. O código lerá um arquivo csv de dados de ressonância de plasmon e realizará uma transformada de Fourier para extrair as amplitudes e fases das frequências de interesse:


              1234567891011121314151617
            
import numpy as np
import pandas as pd

# Read the dataset
plasmon_data = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/9c23bf60-276c-4989-a9d7-3091716b4507/datasets/plasmon_data.csv')

# Extract the time series data from the csv file
time_series = plasmon_data['plasmon_resonance']

# Apply a Fourier transform to the time series data
freq_domain = np.fft.fft(time_series)
freq_amp = np.abs(freq_domain)
freq_phase = np.angle(freq_domain)

# Print the Fourier transform amplitudes and phases
print('Fourier Transform Amplitudes: ', freq_amp[:10])
print('Fourier Transform Phases: ', freq_phase[:10])

Tudo estava claro?

Obrigado pelo seu feedback!

Seção 5. Capítulo 5