Imputação de Dados Faltantes em Séries Temporais Multivariadas Aplicadas à Detecção de Anomalias

Resumo

Em ambientes industriais complexos, a ocorrência de dados faltantes é comum devido a falhas de sensores, perdas de transmissão ou problemas de armazenamento. Para mitigar seus impactos, técnicas de imputação são essenciais, especialmente em séries temporais multivariadas, onde sensores correlacionados podem auxiliar na inferência de valores ausentes. Neste contexto, desenvolve-se uma revisão sistemática da literatura, baseada na metodologia de Kitchenham et al., com busca em bases como IEEE, Science Direct, Springer e ACM, utilizando termos como "Imputação", "Dados Faltantes" e "Séries Temporais Multivariadas". O estudo visa identificar métricas de avaliação recorrentes, levantar as técnicas de imputação com melhor desempenho e analisar o impacto dos mecanismos de ausência. Como resultado preliminar, foram identificadas três abordagens principais: imputação simples (como média e mediana), estatística (como regressão e interpolação) e avançada (baseada em aprendizado de máquina e redes neurais). Destaca-se a imputação avançada como predominante na manutenção preditiva, embora haja desafios, como o desalinhamento entre a otimização da imputação e o desempenho de sistemas que utilizam os dados imputados, como detectores de anomalias. A revisão também propõe futuras investigações sobre o impacto dos padrões de ausência na imputação e sua relação com sistemas finais. Ao concluir a análise dos artigos selecionados, espera-se consolidar um panorama das práticas atuais, orientando o desenvolvimento de soluções mais eficazes para a Indústria 4.0.