Defesa de Dissertação de Mestrado de Iasmyn Lugon Silva, 11/12/25, 10h30, por videoconferência

Link para defesa:  meet.google.com/vrm-vkzp-zzy

 

Geração de Séries Temporais Sintéticas: Uma Adaptação do Método dos Quantis

Resumo:

Este trabalho propõe uma adaptação do Método dos Quantis (MQ) para a geração de séries temporais sintéticas por meio de redes complexas. A modificação introduz um novo parâmetro que define o número de observações consecutivas consideradas na formação de cada estado, permitindo capturar dependências temporais de curto prazo e ampliar a granularidade da representação. O método, denominado Método dos Quantis Adaptado (MQA), foi aplicado a séries reais de tráfego de 21 torres de telefonia móvel do estado do Rio de Janeiro e comparado a modelos de referência, como Gaussian Copula, TVAE, CTGAN, PAR e uma solução closed source. Análises estatísticas e topológicas, baseadas em medidas do Horizontal Visibility Graph (HVG), indicaram que o MQA reproduz de forma consistente as propriedades das séries originais, preservando média, dispersão e estrutura de conectividade. Além disso, o método teve bom desempenho em utilidade, gerando resultados satisfatórios nos modelos ARIMA e Floresta Aleatória. Os resultados demonstram que o método é simples, interpretável e eficiente, constituindo uma alternativa promissora aos modelos generativos tradicionais e abrindo caminho para aplicações em diferentes domínios de séries temporais.

Abstract:

This work proposes an adaptation of the Quantile Method (QM) for the generation of synthetic time-series data through complex network modeling. The modification introduces a new parameter that defines the number of consecutive observations considered in each state, enabling the capture of short-term temporal dependencies and increasing the granularity of representation. The method, called the Adapted Quantile Method (AQM), was applied to real mobile network traffic data from 21 cell towers in the state of Rio de Janeiro and compared to reference models such as Gaussian Copula, TVAE, CTGAN, PAR, and a closed-source alternative. Statistical and topological analyses based on Horizontal Visibility Graph (HVG) measures showed that the AQM consistently reproduces the properties of the original series, preserving mean, variability, and connectivity structure. In addition, the method showed good performance in terms of utility, producing satisfactory results in predictive models such as ARIMA and Random Forest. The results demonstrate that the proposed method is simple, interpretable, and efficient, representing a promising alternative to traditional generative models and paving the way for applications across different time-series domains.

Banca  examinadora:

Prof. Antonio Augusto de Aragão Rocha, UFF – Presidente

Profa. Aline Marins Paes Carvalho, UFF

Prof. Vinícius Fernandes Soares Mota, UFES