O problema de classificação de séries temporais é recorrente em diversas áreas, como medicina, música e sismologia. Uma abordagem recente consiste em transformar séries temporais em grafos, extrair características desses grafos e, a partir delas, realizar a classificação. Nesse contexto, uma estratégia comum é o uso de Redes Neurais em Grafos (GNNs), que aprendem representações diretamente a partir da estrutura do grafo e realizam a classificação. Como alternativa, esta pesquisa propõe uma abordagem mais simples: transformar a série temporal em grafo, extrair características globais e locais, construir um vetor de atributos com essas informações e utilizá-lo como entrada para modelos clássicos de aprendizado supervisionado. O objetivo geral da pesquisa — iniciada no Projeto Orientado à Computação (POC) I e a ser continuada na POC II — é realizar uma análise comparativa entre essas duas abordagens: (i) GNNs, que realizam aprendizado diretamente sobre os grafos, e (ii) extração de features do grafo combinada com classificadores tradicionais, avaliando o desempenho de ambas na tarefa de classificação de séries temporais.