Creación de librería para predicción de series temporales de señales industriales
RESUMEN: En los últimos años la demanda por parte del campo de la industria y la manufactura de servicios de ciencia de datos no ha hecho más que crecer. Entre los objetivos principales que tiene este sector destacan la eficiencia energética y la optimización de demandas y procesos. En la mayoría de...
| Autor: | |
|---|---|
| Formato: | tesis de maestría |
| Fecha de publicación: | 2021 |
| País: | España |
| Recursos: | Universidad de Cantabria (UC) |
| Repositorio: | UCrea Repositorio Abierto de la Universidad de Cantabria |
| Idioma: | español |
| OAI Identifier: | oai:repositorio.unican.es:10902/24930 |
| Acesso em linha: | http://hdl.handle.net/10902/24930 |
| Access Level: | acceso abierto |
| Palavra-chave: | Series Temporales Predicción Aprendizaje automático AutoML Time Series Forecasting Machine Learning |
| Resumo: | RESUMEN: En los últimos años la demanda por parte del campo de la industria y la manufactura de servicios de ciencia de datos no ha hecho más que crecer. Entre los objetivos principales que tiene este sector destacan la eficiencia energética y la optimización de demandas y procesos. En la mayoría de los casos esto depende de sistemas ya instalados, los cuales tienen limitaciones en cuanto a la variedad de datos de salida. Los datos de entrada de los problemas industriales suelen ser series de datos temporales, contando únicamente con la variable del momento en el que se toman los datos, y el dato en cuestión. Una de las limitaciones o barreras de entrada a que las empresas y usuarios puedan generar modelos usando los datos correspondientes a sus procesos de manufactura es la curva de aprendizaje. La ciencia de datos es una disciplina que requiere bastante conocimiento previo, lo cual puede traducirse en el desistimiento por parte de usuarios inexpertos en el tema. La predicción de series temporales (time series forecasting) es un problema muy común en ciencia de datos, para el cual no se dispone todavía de herramientas que faciliten la aplicación de aprendizaje automático o Machine Learning (ML). Es por ello que en este trabajo se va a elaborar una librería, desarrollada en el lenguaje de programación Python 3 y basada en herramientas disponibles de otras librerías ya establecidas, como Sci-kit Learn o Keras, para el análisis mediante Automated Machine Learning (AutoML) de series temporales. El objetivo principal es limitar los parámetros que se solicitan al usuario, el cual puede no contar con conocimientos especializados de ciencia de datos para realizar las predicciones, sino que solo deberá ejecutar un comando en Python, en el que incluirá las características básicas de su consulta, como por ejemplo el horizonte de predicción, o el tiempo en el futuro al que se quiere conocer el dato, y la velocidad de procesamiento de la predicción. Este trabajo, una colaboración entre Consulting Informático de Cantabria (CIC) y la Universidad de Cantabria (UC), tiene como motivación mejorar la accesibilidad de los métodos más comunes de predicción de series temporales, tanto para la industria en general, en el marco de la mejora de eficiencia y la promoción de la innovación sostenible (Objetivo de Desarrollo Sostenible (ODS) de la Organización de las Naciones Unidas (ONU) número 9), como para la divulgación científica, al poder aportar una puerta de entrada a la ciencia de datos para personas inexpertas en el tema. |
|---|