🤖 AI

A time-series classification framework for individual-level absenteeism prediction under severe class imbalance

Este artigo propõe um framework de classificação de séries temporais utilizando uma arquitetura LSTM-FCN e funções de perda otimizadas para permitir a previsão de absenteísmo genuinamente proativa e em nível individual em conjuntos de dados altamente desbalanceados, superando as limitações dos métodos existentes que meramente reproduzem resultados realizados.

Autores originais: Kwong Ho Li, Matthew Roughan, Wathsala Karunarathne

Publicado 2026-07-01

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Kwong Ho Li, Matthew Roughan, Wathsala Karunarathne

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é o gerente de um hospital movimentado ou de uma empresa de entregas. Sua maior dor de cabeça? O absenteísmo. Quando os funcionários não aparecem, tudo para. Você precisa saber, antes que eles se ausentem, quem tem probabilidade de faltar para poder se preparar.

Este artigo trata da construção de uma "bola de cristal" para a assiduidade dos funcionários, mas com um toque muito específico: ele tenta prever o futuro com base no passado, em vez de apenas olhar para o que está acontecendo agora.

Aqui está a história da pesquisa deles, dividida em conceitos simples.

1. O Problema: Olhando pelo Espelho Retrovisor

A maioria dos programas de computador atuais para prever ausências é como dirigir um carro olhando apenas pelo espelho retrovisor. Eles pegam dados de "hoje" (como a idade de um funcionário ou a distância que ele mora) e tentam adivinhar se ele está ausente hoje.

Os autores dizem que isso é inútil para o planejamento. No momento em que você tem os dados de "hoje", o funcionário já tomou a decisão de ficar em casa ou comparecer. Você não pode corrigir uma falta de pessoal que já aconteceu.

A Solução: Eles propõem uma estrutura de Classificação de Séries Temporais. Pense nisso como olhar pelo para-brisa. Em vez de perguntar, "O João está ausente agora?", eles perguntam: "Com base no padrão de assiduidade do João nos últimos 40 dias, é provável que ele esteja ausente nos próximos 5 dias?". Isso permite que os gerentes sejam proativos, não reativos.

2. O Obstáculo dos Dados: Construindo um "Gêmeo Digital"

Os registros reais de assiduidade dos funcionários são privados e sensíveis (como prontuários médicos). Você não pode simplesmente baixá-los da internet.

Para contornar isso, os pesquisadores construíram um conjunto de dados simulado. Imagine que eles pegaram um pequeno conjunto de dados reais de uma empresa de transporte no Brasil e o usaram como uma "semente". Eles então usaram matemática para cultivar uma floresta massiva de 1.000 "funcionários digitais" que se comportam estatisticamente exatamente como os reais. Isso permitiu que eles testassem seu sistema sem violar a privacidade de ninguém.

3. A Armadilha do "Desequilíbrio de Classes"

Aqui está a parte complicada. Em quase qualquer empresa, 97% do tempo, as pessoas comparecem ao trabalho. Apenas cerca de 3% do tempo, elas estão ausentes.

Em aprendizado de máquina, isso é chamado de desequilíbrio severo de classes. É como tentar ensinar um cachorro a latir apenas quando vê um leão, mas 97% do tempo você mostra a ele um gato. O cachorro aprenderá apenas a ficar em silêncio (prever "não há leão") porque ele estará certo 99% das vezes.

No caso deles, um modelo de computador poderia atingir 97% de precisão simplesmente prevendo "Todos estão presentes" todos os dias. Mas isso é um desastre para um gerente que precisa saber quem está realmente faltando. O objetivo não é apenas a "precisão"; é a Especificidade — a capacidade de identificar corretamente os dias de "ausência" raros sem dar alarmes falsos.

4. O Duelo das Funções de Perda: O "Foco" vs. O "Autocorretivo"

Para corrigir o desequilíbrio, os pesquisadores testaram dois "professores" diferentes (fórmulas matemáticas chamadas funções de perda) para treinar sua IA.

Professor A: Perda Focal Binária (BFL).
- A Metáfora: Imagine um professor que tenta focar apenas nos alunos que estão falhando. No entanto, este professor precisa de um manual de instruções específico (um parâmetro chamado $\alpha$ ) para saber em quanto deve focar.
- A Descoberta: O manual de instruções padrão (usado pela maioria das pessoas) na verdade piorou as coisas! Ele dizia ao professor para focar no grupo errado. Os pesquisadores tiveram que reescrever o manual usando uma fórmula específica baseada na raridade das ausências. Quando fizeram isso, o professor ficou muito melhor em detectar funcionários ausentes. Mas, isso exigia que o gerente conhecesse a matemática exata de antemão.
Professor B: Perda da Média Geométrica (G-Mean).
- A Metáfora: Este professor tem um instinto autocorretivo. Se a classe começar a ignorar os alunos que estão falhando, este professor automaticamente desloca a atenção para eles, sem precisar de um manual.
- A Descoberta: Este professor teve um desempenho tão bom quanto o professor de "Perda Focal" perfeitamente ajustado, mas não precisou de ajustes matemáticos complexos. Ele simplesmente funcionou automaticamente.

O Vencedor: Ambos funcionaram bem, mas o G-Mean foi o campeão "plug-and-play" porque não exigiu que o usuário calculasse números de equilíbrio complexos primeiro.

5. A Melhor Arquitetura: O Motor Híbrido

Eles testaram três "motores" (modelos de IA) diferentes para processar os dados:

LSTM: Bom em lembrar histórias longas (como um diário).
CNN: Boa em detectar padrões em imagens (ou, neste caso, padrões no tempo).
LSTM-FCN: Um híbrido que combina ambos.

O Resultado: O Híbrido (LSTM-FCN) foi o vencedor claro. Foi como ter um detetive que pode tanto ler o diário inteiro quanto detectar padrões específicos de caligrafia. Ele alcançou cerca de 80% de precisão balanceada, o que significa que foi muito bom em prever ausências sem gerar muitos alarmes falsos.

6. O Ajuste Fino: Quanta História Precisamos?

Eles também testaram quão longe a IA deveria olhar:

Muito curto (5 dias): A IA perde o contexto.
Muito longo (160 dias): A IA fica confusa com o histórico antigo e irrelevante.
O Ponto Ideal: Olhar para trás 40 a 80 dias foi a janela perfeita. Deu à IA história suficiente para ver padrões (como "João fica doente toda vez que trabalha em turno duplo") sem ficar sobrecarregada com história antiga.

Resumo das Descobertas

Não olhe pelo espelho retrovisor: Prever ausências futuras com base em sequências passadas é a única maneira de ser verdadeiramente proativo.
As configurações "padrão" falham: Se você usar as configurações padrão para lidar com eventos raros em IA, você falhará em detectar ausências. Você deve ajustar a matemática ou usar um método autocorretivo.
O Modelo Híbrido vence: Combinar diferentes técnicas de IA (LSTM-FCN) funciona melhor para este problema específico.
A Janela Mágica: Olhar 40–80 dias para trás oferece os melhores resultados.
Não existe varinha mágica: Eles tiveram que usar dados falsos porque os dados reais são privados, mas provaram que seu método funciona na simulação, que é calibrada com estatísticas do mundo real.

Em suma, este artigo fornece um roteiro para construir um sistema que possa analisar o histórico de assiduidade recente de um funcionário e dizer: "Ei, com base no padrão, esta pessoa provavelmente estará ausente na próxima semana", permitindo que os gerentes resolvam o problema antes que ele aconteça.

Resumo Técnico: Um Framework de Classificação de Séries Temporais para a Predição de Absenteísmo Individual sob Desequilíbrio de Classes Severo

Definição do Problema

O artigo aborda o desafio operacional de prever o absenteísmo individual de funcionários em ambientes de alta demanda (ex: saúde, serviços de emergência, logística). As abordagens atuais de aprendizado de máquina sofrem de duas limitações estruturais críticas:

Desalinhamento Temporal: Métodos atuais de regressão e classificação mapeiam características observadas no tempo $t$ para rótulos no mesmo tempo $t$ . Isso resulta em modelos que reproduzem resultados já realizados, em vez de prever eventos futuros, tornando-os reativos em vez de proativos.
Perda de Estrutura Sequencial: Métodos existentes frequentemente agregam o comportamento individual em resumos de nível populacional, descartando os padrões sequenciais dentro do histórico de assiduidade de um funcionário (ex: acúmulo de fadiga ou episódios de saúde recorrentes) que contêm informações preditivas.

Além disso, o problema é caracterizado por um desequilíbrio de classes severo. No contexto estudado, a presença constitui aproximadamente 97,69% dos registros, enquanto a ausência é a classe minoritária (2,31%), resultando em uma razão de desequilíbrio $\rho \approx 42,31$ . Funções de perda padrão enviesam os modelos para a classe majoritária, levando a uma baixa especificidade (a capacidade de identificar corretamente funcionários ausentes), que é o modo de falha crítico para o planejamento de força de trabalho.

Metodologia

Simulação de Dados

Devido à falta de dados longitudinais de assiduidade individual de acesso público, os autores construíram um conjunto de dados simulado reproduzível. Este conjunto de dados foi calibrado com as propriedades distributivas do benchmark UCI "Absenteeism at Work".

Expansão: Dados agregados mensais de 36 funcionários foram expandidos em sequências diárias binárias (1.027 dias).
Síntese: 964 funcionários sintéticos adicionais foram gerados via amostragem de preservação de distribuição, resultando em um total de 1.000 funcionários.
Formulação: O problema foi reformulado como uma tarefa de Classificação de Séries Temporais (TSC). Uma abordagem de janela deslizante foi utilizada, onde a sequência de entrada $X$ consiste em $n$ dias consecutivos de assiduidade passada, e o rótulo alvo $y$ representa o status de ausência ao longo dos subsequentes $m$ dias (horizonte de predição).

Arquiteturas de Modelos

Três arquiteturas de deep learning foram avaliadas:

LSTM: Uma rede recorrente que processa a sequência para capturar dependências temporais.
CNN (FCN): Uma rede totalmente convolucional que utiliza convoluções 1D para extrair características hierárquicas.
LSTM-FCN: Uma arquitetura híbrida que combina um ramo convolucional (para padrões locais) e um ramo recorrente (para dependências sequenciais), com as representações concatenadas antes da camada de saída.

Funções de Perda e Análise Teórica

O estudo analisou rigorosamente duas funções de perda sob desequilíbrio severo:

Binary Focal Loss (BFL): Introduz um parâmetro de foco $\gamma$ $γ$ e um fator de balanceamento de classe $\alpha$ $α$ .
- Achado Teórico: Os autores derivaram que a razão de gradiente inicial entre as classes presente e ausente é $\rho \alpha / (1-\alpha)$ . Eles provaram que o parâmetro de foco $\gamma$ tem efeito zero na inicialização ( $p=0.5$ ).
- Calibração: Para alcançar o equilíbrio de gradiente, $\alpha$ deve ser definido como $\alpha^* = 1/(1+\rho) \approx 0.023$ . Parametrizações padrão (ex: $\alpha=0.75$ ) amplificam o domínio da classe majoritária, causando o colapso do modelo.
Geometric Mean (G-Mean) Loss: Otimiza a média geométrica da Taxa de Verdadeiros Positivos (TPR) e da Taxa de Verdadeiros Negativos (TNR).
- Achado Teórico: A G-Mean exibe uma estrutura de gradiente autocorretiva. A razão das contribuições totais de gradiente depende de $\widehat{TNR}/\widehat{TPR}$ , que é independente da razão de desequilíbrio $\rho$ . À medida que o modelo colapsa para prever "presente" para todos, o gradiente da classe ausente naturalmente domina, fornecendo uma força restauradora sem necessidade de ajuste manual de parâmetros.

Configuração Experimental

Métricas: Especificidade (primária), Acurácia Balanceada, Precisão, Recall e F1-score.
Hiperparâmetros: Varreduras sistemáticas foram realizadas em tamanhos de lote (batch sizes), tamanhos de janela e parâmetros de função de perda.
Ambiente: Treinamento em uma GPU NVIDIA RTX 4090 usando PyTorch.

Principais Resultados

1. Desempenho das Funções de Perda

Falha da BFL Padrão: A configuração padrão da BFL ( $\alpha=0.75, \gamma=2$ ) resultou em uma especificidade de apenas 0,124, pois o modelo previu "presente" para quase todos os funcionários.
BFL Calibrada: Quando $\alpha$ foi definido como o valor teoricamente derivado $\alpha^* \approx 0,023$ e $\gamma=0$ , a especificidade melhorou para 0,813 com uma acurácia balanceada de 0,888.
Desempenho da G-Mean: A G-Mean alcançou uma especificidade de 0,844 e acurácia balanceada de 0,734 sem qualquer calibração de parâmetros.
Conclusão: A G-Mean é preferível quando $\rho$ é desconhecido ou quando se deseja evitar a calibração manual. A BFL calibrada ( $\alpha^*, \gamma=0$ ) é competitiva, mas requer conhecimento preciso da razão de desequilíbrio.

2. Arquitetura e Hiperparâmetros

Arquitetura: O modelo híbrido LSTM-FCN demonstrou a precisão e especificidade mais consistentes entre as configurações.
Tamanho do Lote (Batch Size): O desempenho estabilizou para tamanhos de lote $\ge 64$ . Lotes menores falharam em incluir amostras da classe minoritária de forma confiável, causando o colapso do mecanismo de autocorreção da G-Mean. Um tamanho de lote de 1.024 yielded a maior especificidade.
Tamanho da Janela: Para um horizonte de predição de 5 dias, janelas de tamanho entre 40 e 80 dias forneceram o melhor equilíbrio entre desempenho e estabilidade. Janelas maiores (ex: 160 dias) levaram a declínios no F1-score e na acurácia balanceada.
Informações de Contexto: A incorporação de informações de base estáticas do funcionário (ex: idade, IMC) não melhorou significamente o desempenho em comparação ao uso apenas das sequências de assiduidade.

3. Avaliação do Conjunto de Teste

No conjunto de teste mantido fora (held-out), o modelo LSTM-FCN com perda G-Mean, janela de 40–80 dias e lote de 1.024 alcançou uma acurácia balanceada de aproximadamente 80%. O modelo generalizou bem, indicando que os padrões temporais aprendidos não sofreram overfitting.

Significância e Contribuições

O artigo reivindica quatro contribuições principais:

Formulação TSC: Reenquadra a predição de absenteísmo como um problema de conhecimento sequencial, separando explicitamente sequências históricas de rótulos futuros para permitir um suporte de decisão genuinamente proativo, contrastando com modelos reativos existentes.
Análise Teórica de Funções de Perda: Fornece uma derivação teórica rigorosa da dinâmica de gradiente sob desequilíbrio severo. Prova que parametrizações padrão da BFL falham quando a classe positiva é a majoritária e deriva o valor analítico exato de $\alpha$ necessário para o equilíbrio. Também caracteriza a natureza autocorretiva da perda G-Mean.
Avaliação Sistemática: Estabelece diretrizes práticas de design para predição sequencial desequilibrada, identificando o LSTM-FCN como a arquitetura robusta e definindo intervalos ideais para tamanhos de lote e de janela.
Framework de Simulação Reproduzível: Aborda a barreira da escassez de dados através da liberação de uma metodologia de simulação calibrada que gera dados de assiduidade longitudinal sintéticos, fornecendo uma linha de base para pesquisas futuras na ausência de registros individuais públicos.

Os autores concluem que, embora o estudo seja limitado pelo uso de dados simulados, o framework oferece orientação prática para classificação binária severamente desequilibrada em gestão de força de trabalho, saúde e detecção de fraude. Trabalhos futuros são direcionados para validar esses achados em dados organizacionais reais e estender o framework para sequências multivariadas.