Machine Learning Models for Designing Smart Cities and Communities

• Autor: Bejarano Nicho, Gissella María
• Formato: tesis doctoral
• Fecha de Publicación: 2021
• Institución: Superintendencia Nacional de Educación Superior Universitaria
• Repositorio: Registro Nacional de Trabajos conducentes a Grados y Títulos - RENATI
• Lenguaje: inglés
• OAI Identifier: oai:repositorio.sunedu.gob.pe:20.500.14366/5704
• Enlace del recurso: https://hdl.handle.net/20.500.14366/5704
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje automático; Ciudades inteligentes; Recursos hídricos; Desagregación de energía; https://purl.org/pe-repo/ocde/ford#1.02.01

Descubrir patrones importantes en los datos puede ayudar a las ciudades a planificar, monitorear y asignar recursos de manera más eficiente, convirtiéndolas en ciudades inteligentes con comunidades más organizadas. Los modelos de aprendizaje automático pueden aprovechar esta gran cantidad de datos para mejorar y escalar las tareas de estas ciudades. En este trabajo, exploramos enfoques de aprendizaje automático para resolver diferentes problemas en el ámbito de las ciudades inteligentes relacionados con el consumo de agua, el consumo de energía y los eventos de emergencia. Más específicamente, nuestro trabajo arroja luz sobre el diseño de aprendizaje en conjunto, modelos secuenciales y la combinación de modelos gráficos probabilísticos y de aprendizaje profundo para este tipo de problemas. Además, comparamos, adaptamos e implementamos métodos cuidadosamente para abordar las características particulares de los datos y los problemas de las ciudades inteligentes. Nos centramos en cuatro problemas específicos: i) clasificar el estado de operación, calidad y cantidad de las bombas de agua, ii) predecir el consumo futuro de agua basado en el consumo histórico, iii) predicción de la resolución temporal para eventos de emergencia y iv) desagregar señales de energía en sus componentes de electrodomésticos. Para abordar estos problemas, desarrollamos, comparamos y combinamos tres familias de modelos de aprendizaje automático: aprendizaje en conjunto, gráficos probabilísticos y aprendizaje profundo.