0Pricing
AI Agents · Aula

Processamento de dados de séries temporais em agentes

Janelas móveis, agregação e detecção de anomalias em dados de sensores transmitidos em fluxo.

Processamento de dados de séries temporais em agentes é uma aula grátis de AI Agents no CoddyKit. Esta é a aula 2 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de AI Agents, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de AI Agents inclui 4 aulas no total.

Séries Temporais em Agentes de IoT

Os dados dos sensores chegam como uma série temporal: uma sequência de pares (marca de tempo, valor). As leituras brutas dos sensores contêm ruído, lacunas e picos ocasionais. Agentes que atuam sobre dados brutos sem processamento frequentemente geram falsos alarmes ou deixam de identificar eventos reais.

O processamento de séries temporais transforma sinais brutos em informações úteis para a tomada de decisões.

Construindo um Buffer de Janela Deslizante

Uma janela deslizante mantém na memória apenas as últimas N leituras. Quando a janela está cheia, a leitura mais antiga é descartada à medida que a mais recente chega. Essa é a base de toda análise de séries temporais em agentes.

from collections import deque
from datetime import datetime

class SensorBuffer:
    def __init__(self, window_size: int = 60):
        self.window_size = window_size
        self._data = deque(maxlen=window_size)

    def add(self, value: float, timestamp: datetime = None):
        ts = timestamp or datetime.utcnow()
        self._data.append({'ts': ts, 'value': value})

    def values(self) -> list:
        return [d['value'] for d in self._data]

    def timestamps(self) -> list:
        return [d['ts'] for d in self._data]

    def is_full(self) -> bool:
        return len(self._data) == self.window_size

buf = SensorBuffer(window_size=60)
buf.add(22.5)
buf.add(22.8)
buf.add(23.1)
print(f'Buffer: {len(buf._data)} readings, values: {buf.values()}')

Média Móvel

Uma média móvel simples (SMA) suaviza o ruído calculando a média dos últimos N valores. Ela reduz o efeito de falhas individuais dos sensores e revela a tendência subjacente. Use-a como referência para a detecção de anomalias.

import statistics

def simple_moving_average(values: list, window: int = 10) -> list:
    if len(values) < window:
        return []
    return [
        statistics.mean(values[i - window:i])
        for i in range(window, len(values) + 1)
    ]

def exponential_moving_average(values: list, alpha: float = 0.2) -> list:
    """EMA weights recent values more heavily."""
    if not values:
        return []
    ema = [values[0]]
    for v in values[1:]:
        ema.append(alpha * v + (1 - alpha) * ema[-1])
    return ema

readings = [22.1, 22.3, 22.0, 35.0, 22.2, 22.4, 22.1, 22.3, 22.5, 22.2, 22.4]
sma = simple_moving_average(readings, window=5)
ema = exponential_moving_average(readings, alpha=0.2)
print(f'SMA (last 3): {[round(v,2) for v in sma[-3:]]}')
print(f'EMA (last 3): {[round(v,2) for v in ema[-3:]]}')

Detecção de Picos

Um pico é uma leitura que se desvia da tendência recente em mais de N desvios-padrão (método do z-score). Essa é a abordagem mais comum para detectar anomalias em dados de sensores.

import statistics

def detect_spikes(
    values: list,
    window: int = 20,
    z_threshold: float = 3.0
) -> list:
    """Returns list of (index, value, z_score) for detected spikes."""
    if len(values) < window:
        return []

    spikes = []
    for i in range(window, len(values)):
        window_vals = values[i - window:i]
        mean = statistics.mean(window_vals)
        stdev = statistics.stdev(window_vals)
        if stdev == 0:
            continue
        z_score = abs(values[i] - mean) / stdev
        if z_score > z_threshold:
            spikes.append({
                'index': i,
                'value': values[i],
                'z_score': round(z_score, 2),
                'mean': round(mean, 2)
            })
    return spikes

data = [22.1, 22.3, 22.0, 22.2, 22.4] * 5 + [55.0] + [22.2, 22.3] * 3
spikes = detect_spikes(data, window=10, z_threshold=3.0)
print('Spikes detected:', spikes)

Pandas para Análise de Séries Temporais

Para uma análise mais sofisticada, carregue os dados dos sensores em um DataFrame do Pandas com um DatetimeIndex. O Pandas fornece operações integradas de janela, reamostragem e interpolação, que são muito mais rápidas de escrever do que laços manuais.

import pandas as pd
from datetime import datetime, timedelta

# Create a sample time series DataFrame
base_time = datetime(2024, 1, 1, 12, 0, 0)
times = [base_time + timedelta(seconds=i*10) for i in range(20)]
values = [22.1, 22.3, None, 22.0, 22.4, 22.2, 35.0, 22.1,
          22.3, 22.2, 22.5, 22.1, None, 22.4, 22.2, 22.3,
          22.0, 22.1, 22.4, 22.2]

df = pd.DataFrame({'value': values}, index=pd.DatetimeIndex(times))
df.index.name = 'timestamp'

print('Shape:', df.shape)
print('Missing values:', df['value'].isna().sum())
print(df.head())

Lidando com Marcas de Tempo Ausentes

As redes de sensores frequentemente deixam de registrar leituras devido a problemas de conectividade. O Pandas pode detectar e preencher lacunas: resample cria uma grade regular, e interpolate preenche os valores ausentes linearmente ou com preenchimento progressivo. Sempre registre quantos valores foram imputados.

import pandas as pd

def fill_missing_readings(df: pd.DataFrame, freq: str = '10S') -> pd.DataFrame:
    """
    df: DataFrame with DatetimeIndex and 'value' column
    freq: expected sampling frequency ('10S' = 10 seconds, '1T' = 1 minute)
    """
    original_count = df['value'].notna().sum()

    # Resample to regular grid (introduces NaN for missing periods)
    df_regular = df.resample(freq).mean()

    missing_count = df_regular['value'].isna().sum()
    print(f'Missing readings before fill: {missing_count}')

    # Forward fill then linear interpolate
    df_regular['value'] = df_regular['value'].interpolate(
        method='linear', limit=5  # don't fill gaps longer than 5 periods
    )

    filled_count = df_regular['value'].notna().sum()
    print(f'Filled {filled_count - original_count} missing values')
    return df_regular

Reamostragem: Agregação de 1 Minuto para 5 Minutos

A reamostragem reduz a frequência dos dados de alta frequência para uma resolução mais grosseira. Isso reduz o ruído e os requisitos de armazenamento. Use resample('5T').agg() para calcular o mínimo, o máximo, a média e o desvio-padrão em cada janela de 5 minutos.

import pandas as pd

def resample_to_5min(df: pd.DataFrame) -> pd.DataFrame:
    return df.resample('5min').agg({
        'value': ['mean', 'min', 'max', 'std', 'count']
    }).round(3)

# Example with 1-minute data:
times = pd.date_range('2024-01-01 12:00', periods=30, freq='1min')
import random
random.seed(42)
vals = [22.0 + random.gauss(0, 0.5) for _ in range(30)]
df_1min = pd.DataFrame({'value': vals}, index=times)

df_5min = resample_to_5min(df_1min)
print(df_5min)

Detecção de Tendências com Regressão Linear

A temperatura está subindo continuamente ou apenas oscilando por causa do ruído? Ajuste uma regressão linear à janela deslizante. Uma inclinação positiva indica uma tendência de alta; uma inclinação que ultrapassa um limiar aciona um alerta antes mesmo que o limiar seja atingido.

def detect_trend(
    values: list,
    slope_threshold: float = 0.1  # units per second
) -> dict:
    import statistics
    n = len(values)
    if n < 2:
        return {'trend': 'insufficient_data'}

    x = list(range(n))
    x_mean = statistics.mean(x)
    y_mean = statistics.mean(values)

    numerator = sum((xi - x_mean) * (yi - y_mean) for xi, yi in zip(x, values))
    denominator = sum((xi - x_mean) ** 2 for xi in x)
    slope = numerator / denominator if denominator != 0 else 0.0

    return {
        'slope': round(slope, 4),
        'trend': 'rising' if slope > slope_threshold
                 else 'falling' if slope < -slope_threshold
                 else 'stable',
        'alert': abs(slope) > slope_threshold * 2
    }

readings = [22.0, 22.5, 23.0, 23.5, 24.0, 24.5, 25.0]
print(detect_trend(readings, slope_threshold=0.3))

Decisão do Agente a Partir de Séries Temporais

Combine a detecção de picos, a detecção de tendências e a média móvel para tomar uma decisão composta. O agente usa uma hierarquia de regras: picos acionam ações imediatas, tendências acionam avisos e o LLM trata os casos ambíguos.

def analyze_sensor_window(
    values: list,
    topic: str
) -> dict:
    if len(values) < 10:
        return {'action': 'collecting_data'}

    spikes = detect_spikes(values, window=10, z_threshold=3.0)
    trend_info = detect_trend(values[-20:], slope_threshold=0.2)
    avg = sum(values[-10:]) / 10

    if spikes:
        return {
            'action': 'IMMEDIATE_ALERT',
            'reason': f'Spike detected: {spikes[-1]["value"]} (z={spikes[-1]["z_score"]})',
            'severity': 'high'
        }
    if trend_info['alert']:
        return {
            'action': 'TREND_WARNING',
            'reason': f'Rapid {trend_info["trend"]} trend: slope={trend_info["slope"]}',
            'severity': 'medium'
        }
    return {
        'action': 'NORMAL',
        'avg_last_10': round(avg, 2),
        'trend': trend_info['trend']
    }

result = analyze_sensor_window([22.0]*15 + [55.0], 'sensors/temp')
print(result)

Persistindo Séries Temporais em um Banco de Dados

Para análises de longo prazo, armazene as leituras dos sensores em um banco de dados de séries temporais. TimescaleDB (extensão do PostgreSQL) e InfluxDB são opções populares. Usar psycopg2 com TimescaleDB permite consultar dados com SQL padrão e funções específicas para tempo.

import psycopg2
from datetime import datetime

# TimescaleDB connection (standard PostgreSQL connection)
conn = psycopg2.connect(
    host='localhost', port=5432, dbname='iot',
    user='agent', password='YOUR_DB_PASSWORD'
)

def insert_reading(topic: str, value: float, ts: datetime = None):
    ts = ts or datetime.utcnow()
    with conn.cursor() as cur:
        cur.execute(
            'INSERT INTO sensor_readings (time, topic, value) VALUES (%s, %s, %s)',
            (ts, topic, value)
        )
    conn.commit()

def query_last_hour(topic: str) -> list:
    with conn.cursor() as cur:
        cur.execute(
            'SELECT time, value FROM sensor_readings '
            'WHERE topic=%s AND time > NOW() - INTERVAL \'1 hour\' '
            'ORDER BY time ASC',
            (topic,)
        )
        return cur.fetchall()

Período de Espera para Alertas

Sem um período de espera, uma anomalia persistente gera centenas de alertas por minuto. Implemente um período de espera por tópico: depois que um alerta for enviado para um tópico, suprima novos alertas desse tópico durante N segundos.

from datetime import datetime, timedelta

class AlertCooldownManager:
    def __init__(self, cooldown_seconds: int = 300):
        self.cooldown_seconds = cooldown_seconds
        self._last_alert: dict = {}  # topic -> last alert datetime

    def should_alert(self, topic: str) -> bool:
        last = self._last_alert.get(topic)
        if last is None:
            return True
        return (datetime.utcnow() - last).seconds >= self.cooldown_seconds

    def mark_alerted(self, topic: str):
        self._last_alert[topic] = datetime.utcnow()

    def cooldown_remaining(self, topic: str) -> int:
        last = self._last_alert.get(topic)
        if last is None:
            return 0
        elapsed = (datetime.utcnow() - last).seconds
        return max(0, self.cooldown_seconds - elapsed)

cooldown = AlertCooldownManager(cooldown_seconds=300)
if cooldown.should_alert('sensors/temperature'):
    print('Sending alert')
    cooldown.mark_alerted('sensors/temperature')
else:
    print(f'Cooldown: {cooldown.cooldown_remaining("sensors/temperature")}s remaining')

Verificação de Conhecimento

O que um z-score acima de 3,0 indica quando usado para detectar picos?

Resumo: Processamento de Dados de Séries Temporais

Você conheceu o conjunto completo de ferramentas de processamento de séries temporais para agentes:

  • Buffer de janela deslizante: fila dupla com comprimento máximo para um fluxo eficiente no uso da memória
  • Média móvel: SMA e EMA para redução de ruído
  • Detecção de picos: método do z-score aplicado às estatísticas da janela deslizante
  • Pandas: resample, interpolate e agregação com DatetimeIndex
  • Detecção de tendências: inclinação da regressão linear para alertas antecipados
  • Período de espera para alertas: suprime alertas repetidos para anomalias persistentes

A seguir: respostas automatizadas dos agentes a eventos de sensores — filas de ações, eliminação de duplicatas e políticas de ação.

Perguntas Frequentes

A aula “Processamento de dados de séries temporais em agentes” é grátis?

Sim — o texto completo de “Processamento de dados de séries temporais em agentes” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de AI Agents, atualize para CoddyKit PRO. O curso de AI Agents inclui 4 aulas no total.

O que vou aprender em “Processamento de dados de séries temporais em agentes”?

Janelas móveis, agregação e detecção de anomalias em dados de sensores transmitidos em fluxo. Você pratica AI Agents com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.

Preciso ter experiência prévia para começar AI Agents?

Nenhuma experiência prévia é necessária. AI Agents no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 2 de 4.

Quanto tempo leva a aula “Processamento de dados de séries temporais em agentes”?

A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.

Posso escrever e executar código nesta aula de AI Agents?

Sim. Cada aula de AI Agents inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.

Todas as aulas deste curso

  1. Protocolo MQTT para integração de agentes
  2. Processamento de dados de séries temporais em agentes
  3. Resposta automatizada a eventos de sensores
  4. Implantação de agentes leves na borda
← Voltar para AI Agents