Full Model Selection Problem and Pipelines for Time-Series Databases: Contrasting Population-Based and Single-point Search Metaheuristics

Problema de selección de modelo completo y tuberías para bases de datos de series de tiempo: contrastando metaheurísticas basadas en población y de un solo punto de búsqueda

La creciente producción de datos temporales, especialmente de series de tiempo, ha motivado la extracción analítica de conocimiento valioso para comprender fenómenos o para la toma de decisiones. A medida que aumenta la disponibilidad de algoritmos para procesar datos, el problema de elegir el más adecuado se vuelve más frecuente. Este problema se conoce como la Selección del Modelo Completo (SMC), que consiste en encontrar un conjunto apropiado de métodos y la optimización de hiperparámetros para realizar un conjunto de tareas estructuradas como una tubería. Se han propuesto múltiples enfoques (basados en metaheurísticas)para abordar este problema, en los que se construyen tuberías automatizadas para realizar múltiples tareas sin mucha dependencia del conocimiento del usuario. La mayoría de estos enfoques proponen tuberías para procesar datos no temporales. Motivado por esto, este artículo propone una arquitectura para encontrar tuberías optimizadas para tareas de series de tiempo. El algoritmo de micro-Evolución Diferencial (µ-ED, metaheurística basada en población) con diferentes variantes y codificación continua, es comparado contra una búsqueda local (BL, búsqueda de un solo punto) con codificación binaria y mixta. Se realizan múltiples experimentos para analizar el rendimiento de cada enfoque en diez bases de datos de series de tiempo. Los resultados finales sugieren que el enfoque de µ-ED con la variante rand/1/bin es útil para encontrar tuberías competitivas sin sacrificar el rendimiento, mientras que la BL con codificación binaria logra las tasas de error de clasificación incorrecta más bajas, pero tiene el costo computacional más alto durante la etapa de entrenamiento.

INTRODUCCIÓN

En los últimos años, la capacidad de generar y almacenar datos ha superado con creces la capacidad de analizarlos y explotarlos (Rydning 2018). Según Gantza y Reisel (2012), apenas el 3% de los datos mundiales están actualmente etiquetados y listos para su manipulación, y solo el 0,5% de ellos se utiliza para el análisis, al menos en 2012.

Por ello, el interés por analizar y extraer información útil para comprender fenómenos o para la toma de decisiones ha llamado la atención de los profesionales y de la comunidad investigadora. La creciente producción de datos temporales, especialmente series temporales, ha motivado el análisis para extraer conocimiento valioso a través de procesos de descubrimiento de conocimiento en bases de datos (KDD) y técnicas de minería de datos (DM) (Sun, Yang, Liu, Chen, Rao, y Bai 2019, Boulle, Dallas, Nakatsukasa, y Samaddar 2020).