O “tempo” representa um fator essencial quando se trata do acúmulo de informações. Em análises que envolvem sequências temporais, o tempo se configura como um componente primário dos dados.
O que são Dados de Séries Temporais?
Dados de séries temporais referem-se a um conjunto de pontos de dados que são organizados em uma ordem cronológica. Essa organização introduz uma dependência de ordem entre as observações. As séries temporais são elementos comuns no universo dos dados contemporâneo. Dado que todo acontecimento segue o fluxo do tempo, constantemente interagimos com diversas formas de dados de séries temporais.
Em geral, as séries temporais são concebidas como geradas em intervalos de tempo regulares, sendo estas denominadas séries temporais regulares. Todavia, os dados que compõem uma série temporal não necessitam ser gerados em intervalos uniformes. Nesses casos, temos as séries temporais irregulares, em que os dados se apresentam em uma sequência temporalmente organizada. Isso significa que as medições podem não ocorrer em intervalos constantes. Contudo, os dados podem ser gerados em intervalos de tempo discretos ou em rajadas. Retiradas em caixas eletrônicos ou depósitos bancários são exemplos de séries temporais irregulares.
Tecnicamente, em uma série temporal, uma ou mais variáveis se alteram ao longo de um período determinado. Se apenas uma variável se modifica com o tempo, a série é classificada como univariada. Por exemplo, um sensor que mede a temperatura de um ambiente a cada segundo gera apenas um valor de temperatura unidimensional a cada instante (segundo). Em contrapartida, quando mais de uma variável muda ao longo do tempo, a série temporal é considerada multivariada. Um exemplo é a economia bancária, onde séries temporais multivariadas são usadas para entender como mudanças em uma variável (como a taxa de recompra) podem impactar outras variáveis (como a liberação de empréstimos para bancos comerciais).
Dados de séries temporais são aplicados em diversas áreas, abrangendo desde finanças, geologia, meteorologia e manufatura até computação, IoT, ciências físicas e sociais. Eles são utilizados para monitorar mudanças climáticas, taxas de natalidade e mortalidade, flutuações de mercado, desempenho de redes, entre outras aplicações. Suas principais funções incluem monitoramento, previsão e detecção de anomalias. Por exemplo, a previsão de séries temporais é crucial para determinar a popularidade de sistemas de gestão de bancos de dados. A imagem abaixo ilustra o crescimento da popularidade de DBMS ao longo dos anos (2019-2021) em um gráfico de série temporal.
https://www.influxdata.com/time-series-database/
Principais Componentes de Séries Temporais
Os fatores que exercem influência sobre os valores observados em uma série temporal são considerados seus componentes fundamentais. Esses componentes se dividem em três categorias:
- Tendência ou movimentos de longo prazo
- Movimentos de curto prazo
- Variações sazonais
- Variações cíclicas
- Movimentos aleatórios ou irregulares
Tendência
A tendência de um dado aumentar ou diminuir ao longo de um período extenso é conhecida como tendência ou componente de longo prazo. É importante ressaltar que essa trajetória ascendente ou descendente não precisa se manter na mesma direção durante todo o intervalo de tempo.
As tendências podem variar, subindo, descendo ou permanecendo estáveis em diferentes períodos. A tendência geral, no entanto, deve sempre apontar para um padrão ascendente, descendente ou de estabilidade. Esses movimentos são perceptíveis em exemplos como produtividade agrícola, taxas de mortalidade, produção de dispositivos e número de fábricas, entre outros.
Tendência Linear e Não Linear
Ao plotar os valores de uma série temporal em relação ao tempo em um gráfico, o tipo de tendência se torna evidente, baseado no padrão de agrupamento dos dados. Se os dados se agruparem em torno de uma linha reta, a tendência é considerada linear. Caso contrário, o padrão de agrupamento indica uma tendência não linear, pois a proporção de mudança entre as variáveis não é constante. Essas tendências também são conhecidas como correlações curvilíneas.
Movimentos de Curto Prazo
Em uma série temporal, esses componentes tendem a se repetir ao longo do tempo. Eles se caracterizam por rajadas curtas e irregulares que afetam as variáveis em estudo. Os movimentos de curto prazo se dividem em duas categorias:
Variações Sazonais
Essas variações ocorrem de forma regular e periódica em intervalos menores que um ano, geralmente seguindo um padrão semelhante ou quase idêntico durante um período de 12 meses. Tais variações se tornam parte de uma série temporal quando os dados são registrados regularmente, como a cada hora, diariamente, semanalmente, mensalmente ou trimestralmente.
As variações sazonais podem ser de origem humana ou natural. As diferentes estações e condições climáticas exercem um papel crucial nessas variações. Por exemplo, a produção agrícola é totalmente dependente das estações do ano. De maneira similar, a demanda por guarda-chuvas e capas de chuva aumenta durante a estação chuvosa, enquanto a venda de refrigeradores e aparelhos de ar condicionado atinge seu pico durante o verão.
As convenções humanas incluem festivais, festas e ocasiões como casamentos. Esses eventos de curta duração se repetem ano após ano.
Variações Cíclicas
Variações em séries temporais que se manifestam em um período superior a um ano são denominadas variações cíclicas. Para uma empresa, o ciclo completo é conhecido como “Ciclo de Negócios”. O pico ou declínio no desempenho empresarial depende de diversos fatores, como estrutura econômica, gestão de negócios e outras forças interativas. Essas variações cíclicas nos negócios podem ser regulares, mas não periódicas. Em geral, as empresas passam por um ciclo de quatro fases: prosperidade, recessão, depressão e renascimento.
Essas variações cíclicas são parte integrante do padrão de uma série temporal, uma vez que o desenvolvimento empresarial depende significativamente dos “pontos de dados sequenciais” gerados.
Movimentos Aleatórios ou Irregulares
Componentes aleatórios causam uma variação significativa na variável em análise. Essas flutuações são puramente irregulares e não seguem um padrão definido. As forças que as originam são imprevistas, imprevisíveis e erráticas, como terremotos, inundações, fomes e outros desastres.
Os eventos aleatórios mencionados são analisados utilizando dados de séries temporais para um melhor enfrentamento de cenários futuros na vida real.
Tipos de Séries Temporais
Os dados de séries temporais podem ser classificados em quatro tipos: determinísticos, não determinísticos, estacionários e não estacionários. Analisemos cada tipo detalhadamente.
#1. Série Temporal Determinística
Uma série temporal determinística pode ser expressa através de uma fórmula analítica, não envolvendo aspectos aleatórios ou probabilísticos. Matematicamente, ela pode ser descrita precisamente para todos os intervalos de tempo utilizando uma expansão da série de Taylor. Isso é possível quando todas as suas derivadas são conhecidas em algum ponto arbitrário no tempo. Essas derivadas explicitam o passado e o futuro naquele momento. Se todas as condições forem satisfeitas, seu comportamento futuro pode ser previsto com exatidão, assim como seu comportamento passado.
#2. Série Temporal Não Determinística
Uma série temporal não determinística apresenta um componente aleatório que impossibilita sua descrição explícita. Portanto, expressões analíticas não são soluções viáveis para expressar essa série temporal. Uma série temporal pode ser não determinística pelos seguintes motivos:
- As informações necessárias para descrevê-la não estão totalmente disponíveis. Embora os dados possam existir em princípio, eles não podem ser quantificados de forma explícita.
- O processo de geração dos dados é aleatório por natureza.
Devido ao fator aleatório, a série temporal não determinística segue leis probabilísticas. Por conseguinte, os dados são tratados em termos estatísticos, ou seja, definidos por distribuições de probabilidade e médias de diversas formas, incluindo médias e medidas de dispersão, como variâncias.
#3. Série Temporal Estacionária
Em uma série temporal estacionária, propriedades estatísticas como média e variância não dependem do fator tempo. Uma série temporal estacionária é mais fácil de prever, pois é possível afirmar com segurança que suas propriedades estatísticas permanecerão as mesmas observadas no passado. Assim, diversos métodos estatísticos de previsão se baseiam na premissa de que a série temporal é praticamente estacionária. Isso implica que séries temporais podem ser consideradas estacionárias em aproximação, aplicando transformações matemáticas simples.
#4. Série Temporal Não Estacionária
Em uma série não estacionária, as propriedades estatísticas variam com o tempo. Portanto, séries temporais com tendências ou sazonalidade são classificadas como não estacionárias, uma vez que tanto a tendência quanto a sazonalidade podem afetar o valor da série temporal em diferentes intervalos de tempo. Séries temporais não estacionárias descrevem dados imprevisíveis, o que impossibilita sua modelagem ou previsão.
Análise e Previsão de Séries Temporais
A análise e previsão de séries temporais são ferramentas valiosas para observar, analisar e estudar a evolução e dinâmica de processos e objetos diversos. Vamos explorar cada uma delas em detalhe.
Análise de Séries Temporais
A análise de séries temporais é definida como um processo de exame de dados coletados ao longo de um período de tempo. Nesse processo, analistas de dados registram informações em intervalos regulares durante um período determinado. A frequência de observação dos dados (ou seja, o intervalo de tempo) pode variar de segundos a anos.
Os dados de séries temporais descrevem as variáveis em observação, fornecendo uma análise detalhada do padrão de flutuação durante um período específico. Os parâmetros necessários para análise podem variar entre diferentes áreas e disciplinas. Alguns exemplos incluem:
- Instrumentos científicos – Dados registrados diariamente
- Sites comerciais – Visitas de clientes diárias
- Mercado de ações – Valores das ações semanais
- Condições climáticas – Dias chuvosos anuais
Para garantir consistência e confiabilidade, a análise de séries temporais utiliza grandes volumes de pontos de dados. Um bom tamanho de amostra é fundamental para representar a autenticidade de uma tendência ou padrão descoberto.
Além disso, a análise de séries temporais também é útil para prever eventos futuros com base em dados registrados no passado.
Previsão de Séries Temporais
A análise de séries temporais permite que as organizações identifiquem as causas das flutuações nas tendências ao longo do tempo. Com os dados em mãos, as empresas podem investigar e pesquisar para entender como lidar com tendências desconhecidas e antecipar eventos futuros. As empresas frequentemente utilizam técnicas de visualização de dados para identificar anomalias nos dados.
A previsão de séries temporais se baseia em dois fatores essenciais:
- Antecipar eventos futuros com base no comportamento dos dados passados.
- Presumir que tendências futuras apresentarão semelhanças com o padrão de dados passado.
Na previsão, o objetivo principal é prever como os pontos de dados irão se comportar no futuro (se continuarão semelhantes ou se apresentarão variações). Abaixo, alguns exemplos de diferentes setores da indústria para uma melhor compreensão das nuances da análise e previsão de séries temporais:
- Mercado de ações – Previsão do preço de fechamento das ações diariamente.
- Vendas – Previsão de vendas de produtos para uma loja diariamente.
- Preços – Previsão do preço médio de combustíveis diariamente.
Algumas das técnicas estatísticas mais comuns empregadas para previsão de séries temporais incluem média móvel simples (SMA), suavização exponencial (SES), média móvel integrada autorregressiva (ARIMA) e redes neurais (NN).
Dados de Séries Temporais na Nuvem
Para aproveitar o valor dos dados de séries temporais, as empresas devem ser capazes de armazenar e consultar dados de forma rápida. Empresas no mercado de capitais dependem de grandes volumes de dados históricos e de streaming para realizar análises de dados em tempo real e tomar decisões de negócios importantes, como prever vulnerabilidade em preços de ações, determinar requisitos de capital líquido ou prever taxas de câmbio. Para obter flexibilidade e processar dados sem problemas, muitas empresas estão migrando seus bancos de dados de séries temporais para a nuvem.
Com a migração de bancos de dados de séries temporais para a nuvem, as organizações podem acessar recursos ilimitados sob demanda, utilizando centenas de núcleos para maximizar a taxa de transferência de rede sem problemas de latência.
Bancos de dados de séries temporais em infraestrutura de nuvem são adequados para cargas de trabalho computacionais intensivas, como cálculos de risco em resposta às tendências do mercado em tempo real. Empresas financeiras podem reduzir a sobrecarga do data center e concentrar-se na utilização de recursos para aumentar a produtividade de seus trabalhos.
Provedores de nuvem como a AWS oferecem Amazon Timestream, um serviço de banco de dados de séries temporais que facilita o carregamento, armazenamento e análise de conjuntos de dados de séries temporais, fornecendo armazenamento para gerenciamento de cargas de trabalho com uso intensivo de transações, ferramentas de análise em tempo real e funcionalidade de streaming de dados para apresentar eventos conforme ocorrem.
Assim, a infraestrutura em nuvem amplia e maximiza os benefícios dos dados de séries temporais.
Aplicações de Séries Temporais
Modelos de séries temporais servem a dois propósitos:
- Entender os fatores subjacentes que geraram um padrão de dados específico.
- Com base na análise, ajustar um modelo para prever e monitorar.
Abaixo, alguns casos de uso de aplicações de dados de séries temporais:
#1. Séries Temporais no Domínio Financeiro e Empresarial
Todas as decisões financeiras, comerciais e de investimento são tomadas com base nas tendências atuais do mercado e previsões de demanda. Dados de séries temporais são utilizados para explicar, correlacionar e prever o comportamento do mercado financeiro. Especialistas financeiros analisam dados financeiros para fornecer previsões que auxiliam na mitigação de riscos, estabilização de preços e operações comerciais.
A análise de séries temporais desempenha um papel fundamental na análise financeira, sendo utilizada na previsão de taxas de juros, volatilidade nos mercados de ações, entre outros. Empresas e formuladores de políticas podem tomar decisões informadas sobre manufatura, compras, alocação de recursos e otimização de operações comerciais.
Essa análise é amplamente utilizada no setor de investimentos para monitorar as taxas de títulos e suas flutuações ao longo do tempo. O preço dos títulos pode ser observado no curto prazo (dados de registro por hora ou dia) ou no longo prazo (observações estendidas por meses ou anos). A análise de séries temporais é uma ferramenta valiosa para acompanhar o desempenho de títulos, ativos ou variáveis econômicas durante longos períodos.
#2. Séries Temporais no Domínio Médico
A área da saúde está se tornando cada vez mais orientada por dados. Além da análise financeira e de negócios, o domínio médico está se beneficiando significativamente da análise de séries temporais.
Um cenário que exige a combinação de dados de séries temporais, procedimentos médicos alinhados e técnicas de mineração de dados pode ser observado durante o tratamento de pacientes com câncer. Essa estrutura híbrida pode ser utilizada para aproveitar as funcionalidades de extração de recursos de dados de séries temporais coletados (como imagens de raio-x de pacientes) para acompanhar o progresso do paciente e sua resposta a tratamentos.
No setor de saúde, obter informações a partir de dados de séries temporais em constante mudança é fundamental. Além disso, as práticas médicas modernas exigem que registros de pacientes sejam conectados ao longo do tempo para uma melhor visualização da saúde do paciente. Os parâmetros de saúde do paciente devem ser registrados de forma precisa em intervalos regulares para uma visão mais clara do estado de saúde do paciente.
Com o surgimento de instrumentos médicos avançados, a análise de séries temporais se estabeleceu na área da saúde. Alguns exemplos incluem:
- Dispositivos de ECGs: Inventados para monitorar condições cardíacas através do registro dos pulsos elétricos do coração.
- Dispositivos de EEG: Utilizados para quantificar a atividade elétrica no cérebro.
Esses dispositivos permitem que médicos realizem análises de séries temporais para diagnósticos médicos mais rápidos, eficazes e precisos.
Além disso, com o advento de dispositivos IoT, como sensores vestíveis e dispositivos de saúde portáteis, as pessoas podem fazer medições regulares de suas variáveis de saúde ao longo do tempo, com o mínimo de interação, resultando na coleta consistente de dados médicos dependentes do tempo para pessoas saudáveis e doentes.
#3. Séries Temporais em Astronomia
Astronomia e astrofísica são duas disciplinas modernas nas quais dados de séries temporais estão sendo utilizados de maneira significativa.
Fundamentalmente, a astronomia envolve o mapeamento de trajetórias de objetos cósmicos e corpos celestes, realizando medições precisas para melhor compreender o universo além da atmosfera terrestre. Devido a essa necessidade, especialistas em astronomia são proficientes em lidar com dados de séries temporais ao calibrar e configurar instrumentos complexos e estudar objetos astronômicos de interesse.
Dados de séries temporais têm sido associados ao campo da astronomia. Em 800 a.C., dados de séries temporais de manchas solares foram coletados em intervalos regulares. Desde então, a análise de séries temporais tem sido usada para:
- Descobrir estrelas distantes com base em suas distâncias estelares,
- Observar eventos cósmicos como supernovas para melhor compreender a origem do nosso universo.
Dados de séries temporais, neste contexto, referem-se aos comprimentos de onda e intensidades de luz emitidas por estrelas, corpos celestes ou outros objetos. Astrônomos monitoram constantemente esses dados em tempo real para detectar eventos cósmicos no momento em que ocorrem.
Nos últimos tempos, surgiram áreas de pesquisa como astroinformática e astroestatística, que combinam diversas disciplinas como mineração de dados, aprendizado de máquina, inteligência computacional e estatística. Nessas novas áreas, o papel dos dados de séries temporais é detectar e classificar objetos astronômicos de forma rápida e eficiente.
#4. Série Temporal na Previsão do Tempo
Aristóteles estudou os padrões climáticos extensivamente para melhor compreender as causas e os efeitos observados em mudanças climáticas nos tempos antigos. Com o passar do tempo, cientistas começaram a registrar dados relacionados ao clima em instrumentos como o barômetro, para calcular variáveis atmosféricas. Dados eram coletados em intervalos regulares e mantidos em diferentes locais.
Eventualmente, previsões do tempo começaram a aparecer em jornais. Nos dias de hoje, estações de previsão do tempo estão instaladas em diversas regiões do mundo para coletar variáveis meteorológicas precisas.
Essas estações possuem dispositivos funcionais avançados que são interconectados para coletar e correlacionar dados meteorológicos de diversas localidades. Os dados correlacionados são utilizados para prever as condições meteorológicas em todas as instâncias, dependendo das necessidades.
#5. Séries Temporais no Desenvolvimento de Negócios
Dados de séries temporais permitem que empresas tomem decisões de negócios com base na análise de dados passados para prever eventos futuros e iluminar possibilidades prováveis. O padrão de dados anteriores é utilizado para derivar os seguintes parâmetros:
- Crescimento dos negócios: para avaliar o desempenho financeiro e comercial geral e medir o crescimento, dados de séries temporais são um ativo adequado e confiável.
- Estimativa de tendências: diversos métodos de séries temporais podem ser empregados para estimar tendências emergentes, analisando observações de dados durante um período para refletir um aumento ou diminuição nas vendas de um produto, por exemplo.
- Revelação de padrões sazonais: os pontos de dados registrados podem revelar flutuações e padrões sazonais que podem auxiliar na previsão de dados. Essas informações são cruciais para mercados onde os preços de produtos flutuam sazonalmente, ajudando empresas no planejamento e desenvolvimento de produtos.
Conclusão 👨🏫
Em resumo, os dados de séries temporais podem ser compreendidos como as características de pontos de dados complexos coletados durante um período de tempo constante. A análise, modelagem e previsão de séries temporais se tornaram parte essencial de nossas vidas cotidianas, com o surgimento de dispositivos IoT, eletrodomésticos inteligentes e dispositivos portáteis. Dados de séries temporais estão sendo aplicados em diversas áreas como saúde, astrofísica, economia, engenharia, negócios e muitas outras.