---

A minera‡Æo de padräes sequenciais em dados de sensores ambientais é uma tarefa desafiadora: os dados podem apresentar ruídos e, também, conter padräes esparsos que sÆo difíceis de serem detectados. O conhecimento extraído de dados de sensores ambientais pode ser usado para determinar mudan‡as climáticas, por exemplo. Desta forma, o algoritmo Incremental Miner of Stretchy Time Sequences with Post-Processing (IncMSTS-PP) foi proposto. O IncMSTS-PP aplica a extra‡Æo incremental de sequencias com pós-processamento baseado em ontologia o que acarreta o enriquecimento semântico desses padräes. IncMSTS-PP implementa o método Stretchy Time Window (STW) que permite que padräes de tempo elástico (padräes com intervalos temporais) sejam extraídos em bases que apresentam ruídos. Em compara‡Æo com o algoritmo GSP, o IncMSTS-PP pode retornar 2,3 vezes mais sequencias. O módulo de pós-processamento é responsável pela redu‡Æo em 22,47% do número de padräes apresentados ao usuário -padräes semanticamente mais ricos. Assim, o IncMSTS-PP apresentou bons resultados de desempenho e minerou padräes relevantes mostrando ser eficaz, eficiente e apropriado em domínio de dados de sensores ambientais.

---

Carlos, nascido em 1989, é aluno de doutorado pela Universidade Federal de SÆo Carlos (UFSCar). Pesquisa a aplica‡Æo de minera‡Æo de padräes sobre conjuntos de dados multi-dimensionais e complexidade algorítmica. Mestre e bacharel em Ciência da Computa‡Æo pela mesma institui‡Æo. Possui artigos, resumos e livros relacionados ao seu campo de estudo.

---