Examinando por Materia "Predicción"

Mostrando 1 - 7 de 7
  • Miniatura
    PublicaciónSólo datos
    Análisis de características tiempo-frecuencia para la predicción de series temporales de Material Particulado usando Regresión por Vectores de Soporte y Optimización por Enjambre de Partículas
    (Fondo Editorial EIA - Universidad EIA, 2020-06-21) Sepulveda Suescun, Juan Pablo; Alzate Zuluaga, Norbey Yovany; Murillo Escobar, Juan Pablo; Orrego Metaute, Diana Alexandra; Correa Ochoa, Mauricio Andres
    La contaminación atmosférica por Material Particulado (PM) es un problema claramente reconocido a nivel mundial como uno de los factores de riesgo más importantes para la salud humana, en los últimos años han surgido diferentes modelos basados en inteligencia artificial para predecir la concentración de PM, con el fin de generar sistemas de alerta temprana que eviten la exposición de las personas. En este trabajo, se analizó un esquema de caracterización en el dominio tiempo-frecuencia usando la transformada Wavelet para la predicción de series temporales de PM10 y PM2.5 usando un algoritmo de Regresión por Vectores de Soporte optimizado por Enjambre de Partículas (SVR-PSO), además, se evaluó el efecto de la imputación de datos sobre las estimaciones. Los resultados obtenidos mostraron que, empleando características temporales, más las características tiempo-frecuencia propuestas, se obtiene el mejor desempeño de la SVR-PSO, además se encontró que el uso de la imputación de datos no afecta el desempeño de la SVR-PSO. El sistema propuesto en este trabajo permite disminuir el error de las estimaciones de concentración de PM10 y PM2.5 haciendo uso de características tiempo-frecuencia y es capaz de operar de forma robusta contra datos perdidos, aumentando su viabilidad de ser implementado en escenarios reales.
  • Miniatura
    PublicaciónAcceso abierto
    Impacto de las cámaras de fotodetección en la seguridad vial del área metropolitana de Medellín
    (Universidad EIA, 2023) López Gómez, Juan Pablo; Vitola Villa, Carlos Andrés; Pava Restrepo, Andrés
    RESUMEN: esta tesis aborda el desafío de predecir la gravedad de los incidentes de tránsito en las vías del Área Metropolitana de Medellín, donde se hayan implementado cámaras de fotodetección, mediante el uso de técnicas de aprendizaje automático. El objetivo principal es, determinar el nivel de eficiencia de las cámaras de fotodetección en cuanto a la disminución de los accidentes de tránsito, con base en las variables de influencia y condiciones de su entorno. Utilizando datos de informes de la alcaldía de Medellín y a través de la aplicación de algoritmos de regresión y clasificación como: Regresión lineal (LR), Clasificador de crestas (Ridge), K-Vecinos más cercanos (KNN), Máquinas de vectores de soporte (SVM), Árboles de decisión embolsados (BDT), Bosque aleatorio (RF) y Aumento del gradiente estocástico (GB), además de métricas de validación como: Curva de aprendizaje, Índice jaccard, Puntuación F1 y Matriz de confusión para garantizar el desempeño del modelo de Machine Learning; y también de técnicas de sobre-muestreo para abordar el desequilibrio en el caso de faltar información. Los resultados mostraron que el clasificador (GB) obtuvo la mejor precisión en el conjunto de prueba, con un valor medio del 75% y el modelo (RF) entrenado con el conjunto de datos balanceado, alcanzó una precisión media del 74% para este mismo conjunto de datos. Estos resultados demuestran la eficacia del modelo para la predicción de la gravedad de los accidentes de tránsito ocurridos en cada cámara de fotodetección; a pesar de ser una investigación con fines académicos. En conclusión, esta tesis proporciona una metodología adecuada para predecir la gravedad de los accidentes de tránsito, utilizando técnicas de aprendizaje automático. Por lo que, el modelo desarrollado puede ser de gran utilidad para las autoridades encargadas de las medidas preventivas de accidentes. Brindando una herramienta al momento de la implementación de cámaras de fotodetección en futuras zonas, mediante una respuesta más eficiente y oportuna.
  • Miniatura
    PublicaciónAcceso abierto
    Modelo de Deep Learning integrando índices macroeconómicos, índices internos empresariales y el análisis sentimental de las personas para predecir los despidos masivos en los Estados Unidos
    (Universidad EIA, 2024) Santos Villa, Yersson Sebastian; Valencia Villa, Juan Sebastián
    RESUMEN: existen diferentes fenómenos que pueden ser llamativos en diferentes ápices empresariales, uno de ellos es el despido masivo de personal. Este documento se encarga de diseñar un modelo de Deep Learning combinado a un análisis sentimental con diferentes variables macroeconómicas y empresariales, para predecir la posibilidad de este suceso en un mes futuro. En el proceso, se evaluó la máquina de soporte vectorial y el perceptrón multicapa después de juntar diferentes variables incluyendo una clasificación por polarización del sentimiento de diferentes comentarios de la red social X sobre los despidos masivos en los estados unidos durante el perdió de 2022 y 2023. Los resultados arrojaron que el modelo de Máquina Soporte Vectorial (precisión 90%) resultaba ser más preciso en la predicción de un posible despido masivo con respecto a un modelo de redes neuronales artificiales por perceptrón multicapa (precisión 82.5%).
  • Miniatura
    PublicaciónAcceso abierto
    Modelo de pronóstico para generación de energía renovable
    (Universidad EIA, 2024) García Ruiz, Alejandro; Zapata Ramírez, Sebastián
    RESUMEN: Con el aumento de las fuentes de energía no convencionales, como la solar y la eólica, surge la necesidad de abordar los desafíos que presentan su variabilidad e intermitencia. Estos factores influyen en la planificación y el despacho de energía en el mercado, lo que crea la necesidad de predecir la generación de energía verde de manera confiable. Este proyecto se centra en el desarrollo de un modelo de predicción que permita pronosticar la generación de energías renovables, brindando a usuarios y reguladores del mercado una herramienta para la planificación y el despacho de la electricidad. El estudio se centra exclusivamente en ciertas plantas colombianas, para las cuales se disponen de datos históricos. La metodología empleada sigue el enfoque CRISP-DM, que incluye el entendimiento del negocio, el entendimiento de los datos, la preparación de estos, el modelado y la evaluación del modelo. En la etapa de modelado, se empleó el modelo estadístico SARIMAX que busca capturar el comportamiento de los datos cómo series temporales, analizando variables endógenas y exógenas. A través de esta metodología, el trabajo busca establecer una predicción valiosa basada en los datos disponibles. Los resultados obtenidos en este estudio muestran que, aunque la precisión del pronóstico se ve limitada por la cantidad de variables que influyen en la generación de energía renovable, el modelo logra capturar patrones generales de comportamiento. Esto proporciona una base sólida para el desarrollo de herramientas de predicción en energía renovable, lo cual puede tener un impacto significativo en la sostenibilidad y eficiencia energética del país.
  • Miniatura
    PublicaciónAcceso abierto
    Modelo matemático para predicción de la transición de la fase G1 a la fase s del ciclo celular de la línea celular HeLa
    (Universidad EIA, 2021) Barrera León, Andrés Sebastián; Arboleda Toro, David; Montoya Goez, Yesid
    RESUMEN: Los modelos matemáticos de predicción de fenómenos biológicos son una herramienta de gran utilidad para la investigación en áreas como la biología celular ya que permiten emular y analizar, a bajos costos y en reducidos tiempos, fenómenos celulares que solo pueden ser vistos bajo ensayos en cultivos in-vitro. Pero a pesar de su conocida practicidad, este tipo de herramientas carecen de impacto y uso en los centros de investigación en cultivos celulares, debido a que los modelos existentes aún son limitados en su simulación, careciendo de factores multivariables que les permiten a los investigadores analizar y simular diferentes conjuntos de hipótesis con un solo modelo. Con base en lo anterior, desde el área de investigación en modelos y sistemas biomédicos de la Universidad EIA y el grupo EBSC (Grupo Estudios BioSociales del Cuerpo) de la Universidad de Antioquia, se propone, un modelo matemático de predicción de división celular, basado en diferentes principios biológicos estandarizados en investigaciones previas. Recolectando y analizando, algunas variables previamente estudiadas en una monografía científica, que permitía examinar de manera cuantitativa la relevancia de dichas variables, para así escogerlas y relacionarlas en un modelo multivariable, que permita predecir los tiempos de la división celular, con énfasis en la transición de la fase G1 (Gap 1) a S (Síntesis). Así, los resultados mostraron que existe la posibilidad de modelar un sistema construido previamente con el cambio de su “variable retardo” en las fases S, por una ecuación que es función del cambio en la superficie del área nuclear durante la fase de síntesis de ADN (ácido desoxirribonucleico), mostrando una correlación entre estos retardos y la tasa de cambio de la superficie observada con la evolución de una población celular reportada en análisis de literatura del fenómeno celular. Este modelo muestra la posibilidad de crear relaciones multivariables basadas en información recolectada de bases de datos científicas lo que, a su vez, permite afirmar que es factible la creación de modelos de predicción de fenómenos celulares basados en aportes de otros autores con la viabilidad de ser mejorados por los mismo con la inclusión de más variables
  • Miniatura
    PublicaciónSólo datos
    Modelo predictivo para generar una alerta temprana en el reingreso de adultos a las unidades de cuidados intensivos del Hospital Pablo Tobón Uribe
    (Universidad EIA, 2024) Lerma Pazos, Joel Andrés; Palacio Uribe, Jorge Andrés; Camacho Cogollo, Javier Enrique; Suárez González, Juan Guillermo
    RESUMEN: Los reingresos hospitalarios son eventos frecuentes, no programables y potencialmente prevenibles que, debido a la alta morbi-mortalidad que trae asociado cada reingreso, se han convertido un objeto de estudio muy importante durante los últimos años. En las unidades de cuidados intensivos (UCI) de Estados Unidos, las tasas típicas de reingreso oscilan entre el 1,2 % y el 14,5 % de las altas. En Colombia, los principales problemas asociados a los reingresos de UCI son los altos costos de atender una readmisión por el agravamiento o por una mayor severidad de la enfermedad que el paciente ya tenía, otro problema son las malas decisiones que toman algunos médicos o especialistas a la hora de dar el alta a un paciente en UCI, disminuyendo la eficiencia del centro de salud. En el presente trabajo se busca desarrollar un modelo predictivo que genere una alerta temprana en el reingreso de personas adultas en la unidad de cuidados intensivos. Para lograrlo, se utilizaron distintas herramientas de manejo de base de datos y análisis de datos con las cuales se realizaron diferentes modelos con algoritmos de aprendizaje automático encontrados en la literatura y, se entrenaron y validaron con datos suministrados por el Hospital Pablo Tobón Uribe (HPTU) de Medellín. Con el desarrollo de este proyecto se obtuvo un modelo predictivo con un puntaje de accuracy global de 0.74 y un valor AUC de 0.74 que brinda información importante a los médicos y especialistas a la hora de la toma de decisiones en una UCI, generando una alerta en pacientes propensos a tener un reingreso en caso de ser dados de alta.
  • Miniatura
    PublicaciónAcceso abierto
    Sistema de Visión Artificial Para la Detección Clasificación y Conteo de Piezas Plásticas
    (Universidad EIA, 2015) Jiménez Gómez, Maricel
    En la planta de pintura de plásticos de una empresa del sector automovilístico ingresan piezas continuamente según un plan de producción diario. Dado que no se tiene un sistema automático de conteo y clasificación de las piezas y el actual es poco confiable, los errores en el conteo elevan los costos de producción. Esto se debe a que no se aprovechan los recursos en su totalidad cuando hay piezas faltantes en la producción, lo que conlleva al aumento de desperdicios provenientes de materiales no reutilizables. Con el fin de mejorar este proceso se desarrolla un algoritmo de predicción basado en Máquinas de Soporte Vectorial (SVM), en el cual por medio de un conjunto de características propias de cada pieza se realiza el reconocimiento, la clasificación y el conteo de cada una de estas. Al final, utilizando un prototipo para simular el proceso de la planta, se obtiene como resultado del modelo de predicción desarrollado una sensibilidad y especificidad, para la mayoría de las piezas, de más del 95% de confiabilidad con una velocidad de procesamiento aproximadamente de 200 ms.