Detección de anomalías en datos de inspección de vehículos

El objetivo de este TFM ha sido desarrollar una aplicación que sea capaz de obtener la información necesaria para discernir si una inspección de ITV tiene anomalías en sus resultados o no a partir de una fuente de datos introducida por texto o Excel. En particular, nos interesa detectar si diferente...

Descripción completa

Detalles Bibliográficos
Autor: Salcedo Gutiérrez, David
Tipo de recurso: tesis de maestría
Fecha de publicación:2018
País:España
Institución:Universidad Complutense de Madrid (UCM)
Repositorio:Docta Complutense
Idioma:español
OAI Identifier:oai:docta.ucm.es:20.500.14352/19966
Acceso en línea:https://hdl.handle.net/20.500.14352/19966
Access Level:acceso abierto
Palabra clave:004.6(043.3)
004:656.091.2(043.3)
004.42:004.382.73(043.3)
Defectos en vehículos
Test estadístico
ITV
Inspector
Apriori
Reglas de asociación
Anomalías
Transacciones
Defects
Statistical Tests
Association rules
Anomalies
Vehicle
Transaction
Informática (Informática)
1203.17 Informática
id ES_06eaddb3c217bd1cbadbc7c2b783a6ea
oai_identifier_str oai:docta.ucm.es:20.500.14352/19966
network_acronym_str ES
network_name_str España
repository_id_str
spelling Detección de anomalías en datos de inspección de vehículosSalcedo Gutiérrez, David004.6(043.3)004:656.091.2(043.3)004.42:004.382.73(043.3)Defectos en vehículosTest estadísticoITVInspectorAprioriReglas de asociaciónAnomalíasTransaccionesDefectsStatistical TestsAssociation rulesAnomaliesVehicleTransactionInformática (Informática)1203.17 InformáticaEl objetivo de este TFM ha sido desarrollar una aplicación que sea capaz de obtener la información necesaria para discernir si una inspección de ITV tiene anomalías en sus resultados o no a partir de una fuente de datos introducida por texto o Excel. En particular, nos interesa detectar si diferentes inspectores dentro de la misma ITV actúan de forma diferente. Para ello partiremos de un fichero de datos con los datos de las inspecciones durante un periodo relativamente largo (por ejemplo, un año). Con este propósito nos hemos servido del cálculo de reglas de asociación mediante el algoritmo Apriori. Las reglas de asociación nos permiten saber qué deficiencias de los vehículos se encuentran habitualmente de forma conjunta durante la inspección de un vehículo. Usando los resultados de las reglas de asociación junto con los test estadísticos, podremos verificar si hay alguna discrepancia entre los resultados obtenidos por cada inspector en las ITV. El resultado del trabajo es un método que permite detectar estas anomalías, mostrar los defectos que atestiguan el comportamiento anómalo y, lo que es más importante, asegurar que las anomalías detectadas son estadísticamente significativas. Este método ha sido implementado en una herramienta disponible que puede ser empleada por entidades de inspección de ITVs como ENAC.Caballero Roldán, RafaelUniversidad Complutense de Madrid20182018-01-0120182018-01-01master thesishttp://purl.org/coar/resource_type/c_bdccinfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/20.500.14352/19966reponame:Docta Complutenseinstname:Universidad Complutense de Madrid (UCM)Españolspaopen accesshttp://purl.org/coar/access_right/c_abf2Atribución-NoComercial 3.0 Españahttps://creativecommons.org/licenses/by-nc/3.0/es/info:eu-repo/semantics/openAccessoai:docta.ucm.es:20.500.14352/199662026-06-02T12:44:21Z
dc.title.none.fl_str_mv Detección de anomalías en datos de inspección de vehículos
title Detección de anomalías en datos de inspección de vehículos
spellingShingle Detección de anomalías en datos de inspección de vehículos
Salcedo Gutiérrez, David
004.6(043.3)
004:656.091.2(043.3)
004.42:004.382.73(043.3)
Defectos en vehículos
Test estadístico
ITV
Inspector
Apriori
Reglas de asociación
Anomalías
Transacciones
Defects
Statistical Tests
Association rules
Anomalies
Vehicle
Transaction
Informática (Informática)
1203.17 Informática
title_short Detección de anomalías en datos de inspección de vehículos
title_full Detección de anomalías en datos de inspección de vehículos
title_fullStr Detección de anomalías en datos de inspección de vehículos
title_full_unstemmed Detección de anomalías en datos de inspección de vehículos
title_sort Detección de anomalías en datos de inspección de vehículos
dc.creator.none.fl_str_mv Salcedo Gutiérrez, David
author Salcedo Gutiérrez, David
author_facet Salcedo Gutiérrez, David
author_role author
dc.contributor.none.fl_str_mv Caballero Roldán, Rafael
Universidad Complutense de Madrid
dc.subject.none.fl_str_mv 004.6(043.3)
004:656.091.2(043.3)
004.42:004.382.73(043.3)
Defectos en vehículos
Test estadístico
ITV
Inspector
Apriori
Reglas de asociación
Anomalías
Transacciones
Defects
Statistical Tests
Association rules
Anomalies
Vehicle
Transaction
Informática (Informática)
1203.17 Informática
topic 004.6(043.3)
004:656.091.2(043.3)
004.42:004.382.73(043.3)
Defectos en vehículos
Test estadístico
ITV
Inspector
Apriori
Reglas de asociación
Anomalías
Transacciones
Defects
Statistical Tests
Association rules
Anomalies
Vehicle
Transaction
Informática (Informática)
1203.17 Informática
description El objetivo de este TFM ha sido desarrollar una aplicación que sea capaz de obtener la información necesaria para discernir si una inspección de ITV tiene anomalías en sus resultados o no a partir de una fuente de datos introducida por texto o Excel. En particular, nos interesa detectar si diferentes inspectores dentro de la misma ITV actúan de forma diferente. Para ello partiremos de un fichero de datos con los datos de las inspecciones durante un periodo relativamente largo (por ejemplo, un año). Con este propósito nos hemos servido del cálculo de reglas de asociación mediante el algoritmo Apriori. Las reglas de asociación nos permiten saber qué deficiencias de los vehículos se encuentran habitualmente de forma conjunta durante la inspección de un vehículo. Usando los resultados de las reglas de asociación junto con los test estadísticos, podremos verificar si hay alguna discrepancia entre los resultados obtenidos por cada inspector en las ITV. El resultado del trabajo es un método que permite detectar estas anomalías, mostrar los defectos que atestiguan el comportamiento anómalo y, lo que es más importante, asegurar que las anomalías detectadas son estadísticamente significativas. Este método ha sido implementado en una herramienta disponible que puede ser empleada por entidades de inspección de ITVs como ENAC.
publishDate 2018
dc.date.none.fl_str_mv 2018
2018-01-01
2018
2018-01-01
dc.type.none.fl_str_mv master thesis
http://purl.org/coar/resource_type/c_bdcc
dc.type.openaire.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.14352/19966
url https://hdl.handle.net/20.500.14352/19966
dc.language.none.fl_str_mv Español
spa
language_invalid_str_mv Español
language spa
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
Atribución-NoComercial 3.0 España
https://creativecommons.org/licenses/by-nc/3.0/es/
dc.rights.openaire.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
Atribución-NoComercial 3.0 España
https://creativecommons.org/licenses/by-nc/3.0/es/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Docta Complutense
instname:Universidad Complutense de Madrid (UCM)
instname_str Universidad Complutense de Madrid (UCM)
reponame_str Docta Complutense
collection Docta Complutense
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869402946906619904
score 15,300724

Similares en LA Referencia