Machine learning approaches in prediction problems with human activity patterns

En la vida real existen muchos sucesos que, sin ser actividades exclusivamente humanas, tienen patrones influidos por el comportamiento humano: el tráfico, la predicción de bienes de consumo, asistencia a eventos o cualquier otra actividad ligada a los horarios de la sociedad. Hacer predicciones en...

Descripción completa

Detalles Bibliográficos
Autor: Torres López, Ricardo
Tipo de recurso: tesis doctoral
Fecha de publicación:2024
País:España
Institución:Universidad de Alcalá (UAH)
Repositorio:e_Buah Biblioteca Digital Universidad de Alcalá
Idioma:inglés
OAI Identifier:oai:ebuah.uah.es:10017/62008
Acceso en línea:http://hdl.handle.net/10017/62008
Access Level:acceso abierto
Palabra clave:Inteligencia artificial
Series temporales
Informática
Computer Science
id ES_2da4557a404dced0f12864caabd40f5f
oai_identifier_str oai:ebuah.uah.es:10017/62008
network_acronym_str ES
network_name_str España
repository_id_str
spelling Machine learning approaches in prediction problems with human activity patternsTorres López, RicardoInteligencia artificialSeries temporalesInformáticaComputer ScienceEn la vida real existen muchos sucesos que, sin ser actividades exclusivamente humanas, tienen patrones influidos por el comportamiento humano: el tráfico, la predicción de bienes de consumo, asistencia a eventos o cualquier otra actividad ligada a los horarios de la sociedad. Hacer predicciones en este tipo de problemas suele ser complejo y con unas características propias en cada caso. La importancia de conocer con precisión el momento en el que se toman las muestras y la existencia de variables exógenas añaden una complejidad adicional. Por ejemplo, no es lo mismo predecir el número de usuarios del transporte público que los ingresos en las urgencias de un hospital y cómo influye en cada caso, si ese día es festivo o no, si llueve, o si coincide con un evento deportivo importante en la ciudad. Ante esta diversidad de problemas y situaciones es importante contar con unas técnicas que sean suficientemente flexibles para adaptarse a toda la información disponible y heterogénea. En este sentido, las aproximaciones basadas en Aprendizaje Automático han demostrado ser una buena solución para la creación de este tipo de modelos. En esta tesis, recogemos la aplicación de diferentes algoritmos de Aprendizaje Automático (Machine Learning) y Aprendizaje Profundo (Deep Learning) a nueve problemas reales de regresión, con el fin de predecir series temporales de sucesos influidos por el comportamiento humano. Con el fin de mejorar la calidad de las predicciones y facilitar la comprensión de los factores relevantes de cada problema, se han diseñado y aplicado unos métodos de Selección de Características (Feature Selection). Además, predecir un paso hacia adelante (lo que va a ocurrir la hora siguiente, o el día siguiente) no siempre es suficiente en los problemas reales. Por ejemplo, en el caso del número de ingresos a las Urgencias de un Hospital, donde la asignación de especialistas y recursos es crítica, las predicciones deberían hacerse para periodos de tiempo superiores. Por este motivo, hemos trabajado también unos escenarios de predicción más largos: con varios pasos hacia delante, mediante la construcción de modelos independientes para cada paso. Finalmente, en el último capítulo se ha implementado una estrategia de segmentación de casos, en base a posibles y diferentes escenarios de entrada con el fin de obtener una precisión superior de las predicciones y una comprensión mayor del proceso analizado. Esta metodología de Machine Learning es conocida como Ensemble Regression y ha ganado popularidad en los últimos años. Los resultados obtenidos en la elaboración de esta tesis han sido publicados en tres revistas científicas Q1 indexadas en el Journal Citation Report (JCR).Salcedo Sanz, SanchoPérez Aracil, Jorge20242024-01-01doctoral thesishttp://purl.org/coar/resource_type/c_db06NAhttp://purl.org/coar/version/c_be7fb7dd8ff6fe43info:eu-repo/semantics/doctoralThesisapplication/pdfhttp://hdl.handle.net/10017/62008reponame:e_Buah Biblioteca Digital Universidad de Alcaláinstname:Universidad de Alcalá (UAH)Inglésengopen accesshttp://purl.org/coar/access_right/c_abf2Attribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessoai:ebuah.uah.es:10017/620082026-06-18T11:13:07Z
dc.title.none.fl_str_mv Machine learning approaches in prediction problems with human activity patterns
title Machine learning approaches in prediction problems with human activity patterns
spellingShingle Machine learning approaches in prediction problems with human activity patterns
Torres López, Ricardo
Inteligencia artificial
Series temporales
Informática
Computer Science
title_short Machine learning approaches in prediction problems with human activity patterns
title_full Machine learning approaches in prediction problems with human activity patterns
title_fullStr Machine learning approaches in prediction problems with human activity patterns
title_full_unstemmed Machine learning approaches in prediction problems with human activity patterns
title_sort Machine learning approaches in prediction problems with human activity patterns
dc.creator.none.fl_str_mv Torres López, Ricardo
author Torres López, Ricardo
author_facet Torres López, Ricardo
author_role author
dc.contributor.none.fl_str_mv Salcedo Sanz, Sancho
Pérez Aracil, Jorge
dc.subject.none.fl_str_mv Inteligencia artificial
Series temporales
Informática
Computer Science
topic Inteligencia artificial
Series temporales
Informática
Computer Science
description En la vida real existen muchos sucesos que, sin ser actividades exclusivamente humanas, tienen patrones influidos por el comportamiento humano: el tráfico, la predicción de bienes de consumo, asistencia a eventos o cualquier otra actividad ligada a los horarios de la sociedad. Hacer predicciones en este tipo de problemas suele ser complejo y con unas características propias en cada caso. La importancia de conocer con precisión el momento en el que se toman las muestras y la existencia de variables exógenas añaden una complejidad adicional. Por ejemplo, no es lo mismo predecir el número de usuarios del transporte público que los ingresos en las urgencias de un hospital y cómo influye en cada caso, si ese día es festivo o no, si llueve, o si coincide con un evento deportivo importante en la ciudad. Ante esta diversidad de problemas y situaciones es importante contar con unas técnicas que sean suficientemente flexibles para adaptarse a toda la información disponible y heterogénea. En este sentido, las aproximaciones basadas en Aprendizaje Automático han demostrado ser una buena solución para la creación de este tipo de modelos. En esta tesis, recogemos la aplicación de diferentes algoritmos de Aprendizaje Automático (Machine Learning) y Aprendizaje Profundo (Deep Learning) a nueve problemas reales de regresión, con el fin de predecir series temporales de sucesos influidos por el comportamiento humano. Con el fin de mejorar la calidad de las predicciones y facilitar la comprensión de los factores relevantes de cada problema, se han diseñado y aplicado unos métodos de Selección de Características (Feature Selection). Además, predecir un paso hacia adelante (lo que va a ocurrir la hora siguiente, o el día siguiente) no siempre es suficiente en los problemas reales. Por ejemplo, en el caso del número de ingresos a las Urgencias de un Hospital, donde la asignación de especialistas y recursos es crítica, las predicciones deberían hacerse para periodos de tiempo superiores. Por este motivo, hemos trabajado también unos escenarios de predicción más largos: con varios pasos hacia delante, mediante la construcción de modelos independientes para cada paso. Finalmente, en el último capítulo se ha implementado una estrategia de segmentación de casos, en base a posibles y diferentes escenarios de entrada con el fin de obtener una precisión superior de las predicciones y una comprensión mayor del proceso analizado. Esta metodología de Machine Learning es conocida como Ensemble Regression y ha ganado popularidad en los últimos años. Los resultados obtenidos en la elaboración de esta tesis han sido publicados en tres revistas científicas Q1 indexadas en el Journal Citation Report (JCR).
publishDate 2024
dc.date.none.fl_str_mv 2024
2024-01-01
dc.type.none.fl_str_mv doctoral thesis
http://purl.org/coar/resource_type/c_db06
NA
http://purl.org/coar/version/c_be7fb7dd8ff6fe43
dc.type.openaire.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
dc.identifier.none.fl_str_mv http://hdl.handle.net/10017/62008
url http://hdl.handle.net/10017/62008
dc.language.none.fl_str_mv Inglés
eng
language_invalid_str_mv Inglés
language eng
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
Attribution-NonCommercial-NoDerivatives 4.0 International
http://creativecommons.org/licenses/by-nc-nd/4.0/
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
Attribution-NonCommercial-NoDerivatives 4.0 International
http://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:e_Buah Biblioteca Digital Universidad de Alcalá
instname:Universidad de Alcalá (UAH)
instname_str Universidad de Alcalá (UAH)
reponame_str e_Buah Biblioteca Digital Universidad de Alcalá
collection e_Buah Biblioteca Digital Universidad de Alcalá
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869405334282436608
score 15.811543

Similares en LA Referencia