Realizó un estudio comparativo para el agrupamiento de series temporales para la toma de decisiones

«Agrupamiento de Series Temporales para la Toma de Decisiones», se denomina el Trabajo Final de Grado (TFG) que presentó la nueva ingeniera María Giohanna Martínez Fernández, como prueba final para egresar de la carrera de Ingeniería Mecatrónica de la Facultad de Ingeniería de la Universidad Nacional de Asunción (FIUNA). La defensa del trabajo se realizó el viernes 23 de Diciembre de 2022 en la Institución.

El avance de la tecnología nos permite recolectar y almacenar grandes cantidades de datos, por ejemplo, con la utilización de sensores remotos, satélites, cámaras, telescopios. Esto permite, por un lado, mapear la incidencia
de enfermedades (COVID-19, Influenza, Dengue, Zika, etc.) y la movilidad de las personas, y por el otro constituye
un desafío para los ingenieros y científicos que necesitan desarrollar nuevos algoritmos, métodos de análisis y
extracción de conocimientos de los datos. Gran parte de los datos disponibles se almacenan como sucesiones de
observaciones, denominada series temporales.

El agrupamiento o clustering de series temporales ha captado la atención de distintos investigadores, debido a que
se utiliza para identificar conjuntos de instancias con características similares. Un estudio reciente, realizado sobre el agrupamiento de series temporales en casos de dengue en el Paraguay, ha mostrado que es necesario realizar un análisis exhaustivo de los algoritmos existentes y las métricas de distancia para obtener grupos que sean significativos para la toma de decisiones por parte de las autoridades.

El Trabajo Final de Grado presentado consiste en un estudio comparativo de diferentes algoritmos de agrupamiento de series temporales, aplicado a registros de incidencia semanal de casos de dengue en Paraguay y Perú. Se ha contrastado el rendimiento del modelo según una representación basada en forma y una representación basada en
atributos. Posteriormente, se ha aplicado un algoritmo de selección de atributos para reducir la serie a un conjunto de menor dimensión, preservando la información. Una vez determinados los atributos más representativos, fueron adicionadas dos nuevas características, siguiendo la naturaleza de los datos. Para la evaluación se han utilizado
tres métricas de validación interna, el puntaje Silhouette, el índice Calinski-Harabasz y el índice Davies-Bouldin.

Puedes dejar una respuesta, o trackback desde tu propio sitio.

Deja un comentario