Resumen de Algoritmo greedy para predecir el índice de servicio de pavimento basado en agrupación y regresión lineal

Francisco Javier Anacona Campo, Carlos Alberto Cobos Lozada, Martha Mendoza

• español

  Objetivo: Proponer un algoritmo CLR (Clusterwise Linear Regression) que realiza agrupamiento divisivo de muestras de segmentos de pavimentos utilizando modelos de regresión lineal y define automáticamente el número de agrupaciones con el fin de predecir el índice de capacidad de servicio del pavimento (pavement serviceability index, PSI). Metodología: Basado en el proceso de investigación iterativa propuesto por Pratt se desarrollaron dos ciclos de mejora del algoritmo propuesto. El primer ciclo permitió obtener una versión inicial, aplicarlo sobre los datasets de entrenamiento y prueba y observar las mejoras que se debían realizar. En el segundo ciclo se obtuvo la versión final a la que se le afinaron los parámetros y se comparó con el estado del arte usando varias métricas. Resultados: Se obtuvo un modelo compuesto por tres grupos de muestras de segmentos de pavimento con sus correspondientes modelos de regresión lineal multivariable (atributos mixtos) que permiten predecir el PSI de una muestra de pavimento. Conclusiones: El modelo se obtuvo con menor tiempo de cómputo (15,6 veces menos tiempo que el reportado por el estado del arte) y presenta mejores resultados en sencillez en comparación con los modelos lineales y no lineales reportados en la literatura, además, en calidad tiene resultados similares (incluso mejores en algunas métricas) al modelo lineal y es competitivo frente al modelo no lineal.

• English

  Objective: To propose a CLR (Clusterwise Linear Regression) algorithm that carries out a divisive grouping of pavement segment samples using linear regression models and automatically defines the number of groupings in order to predict the pavement serviceability index (PSI). Methodology: Based on the iterative research process proposed by Pratt, two improvement cycles of the proposed algorithm were developed. The first cycle allowed us to obtain an initial version, apply it to the training and test datasets, and observe the improvements that had to be made. In the second cycle, the final version was obtained to which the parameters were tuned, and it was compared with the state of the art using several metrics. Results: A model composed of three groups of pavement segment samples was obtained with their corresponding multivariate linear regression models (mixed attributes) that allow predicting the PSI of a pavement sample. Conclusions: The model was obtained with less computing time (15.6 times less time than that reported by the state of the art) and presents better results in simplicity compared to the linear and non-linear models reported in the literature, in addition, it has quality results similar (even better in some metrics) to the linear model and is competitive against the non-linear model.