No contexto de análise de dados de séries temporais, frequentemente é possível observar a
ocorrência de uma mudança significativa no comportamento de uma série temporal em
um certo ponto ou intervalo de tempo. Tal mudança de comportamento geralmente
caracteriza a ocorrência de um evento. Um evento detectado em dados de séries
temporais muitas vezes pode representar a ocorrência de um fenômeno com
significado específico e definido em um determinado domínio de conhecimento.
Eventos detectados em séries temporais comumente se apresentam como anomalias ou pontos
de mudança. As anomalias são observações que não estão em conformidade com o
padrão de comportamento esperado dentro do conjunto de dados. Por sua vez,
pontos de mudança separam diferentes estados no processo que gera a série
temporal. O problema de detecção de pontos de mudança está relacionado ao
problema de detecção de desvio de conceito (i.e., concept drift) em séries
temporais. Neste caso, a detecção de pontos de mudança objetiva encontrar o
instante (ou intervalo) específico no tempo que marca a ocorrência do desvio de
conceito.
A complexidade desta tarefa é agravada considerando-se que a natureza dos eventos
observados em uma série temporal muitas vezes não é conhecida. Ademais, os
desafios de se detectar eventos se tornam ainda mais críticos quando em
sistemas de monitoramento de tempo real (comumente associadas a dados em streaming),
onde a demanda de detecção destes eventos é pressionada pela necessidade de
velocidade para o processamento computacional.