Resumo: A tarefa de previsão em séries temporais consiste em usar modelos para prever novas observações a partir observações previamente coletadas. Tais modelos descrevem o fenômeno gerador da série temporal. A predição de valores futuros leva em consideração valores passados cuja ordem na sequência seja imediatamente anterior ao horizonte de previsão. O objetivo desta apresentação é expor alguns dos principais processos de predição de séries temporais e apontar para desafios e oportunidades de pesquisa na questão.

Biografia: Eduardo Ogasawara é professor do Departamento de Ciência da Computação do Centro Federal de Educação Tecnológica do Rio de Janeiro (CEFET/RJ) desde 2010. É Mestre e Doutor em Engenharia de Sistemas e Computação pela COPPE/UFRJ. Entre 2000 e 2007, trabalhou na área de Tecnologia da Informação (TI), onde adquiriu vasta experiência em workflows e gerenciamento de projetos. Tem uma sólida formação em bancos de dados. Seu interesse principal é Ciência de Dados, em especial mineração de dados e análise de séries temporais. É membro do IEEE, ACM, INNS e SBC. Tem mais de 150 artigos publicados. É revisor de vários periódicos e conferências internacionais, incluindo IEEE Transactions on Big Data, Future Generations Computer Systems, SIAM Data Mining (SDM) e Very Large Databases (VLDB). Liderou a criação do Programa de Pós-Graduação em Ciência da Computação (PPCIC) do CEFET/RJ, onde foi coordenador de 2016 a meados de 2021.