Compressão de Séries Temporais Multivariadas, IoT, Algoritmos Online, Algoritmos Evolutivos, TinyML, OBD-II Edge.
A Internet das Coisas (IoT) está transformando a forma como os dispositivos interagem e compartilham dados, especialmente em áreas como o monitoramento veicular. No entanto, a transmissão de grandes volumes de dados em tempo real pode resultar em alta latência e consumo substancial de energia. Nesse contexto, o Tiny Machine Learning(TinyML) surge como uma solução promissora, permitindo a execução de modelos de aprendizado de máquina em dispositivos embarcados com recursos limitados. Este trabalho tem como objetivo desenvolver duas abordagens online de compressão de séries temporais multivariadas especificamente projetadas para TinyML, utilizando o framework Typicality and Eccentricity Data Analytics (TEDA). As abordagens propostas são baseadas na excentricidade dos dados e não exigem modelos matemáticos predefinidos ou suposições sobre a distribuição dos dados, otimizando assim o desempenho da compressão. Ambas as abordagens foram aplicadas a dois estudos de caso: um utilizando o conjunto de dados OBD-II Freematics ONE+ para monitoramento veicular em um contexto não embarcado, e outro em um cenário embarcado. Os resultados indicam que ambas as abordagens propostas, seja para compressão paralela ou sequencial, apresentam melhorias significativas no tempo de execução e nos erros de compressão. Esses achados destacam o potencial das abordagens para melhorar o desempenho de sistemas IoT embarcados, aprimorando a eficiência e a sustentabilidade de aplicações veiculares.