Aplicación de técnicas de aprendizaje automático para disminuir las observaciones en las lecturas de medidores

• Noboa Franco, Gustavo Adolfo ^[1] ; Valle Chiriboga, Carlos Alex ^[2] ; Cevallos Zhunio, Jorge Eduardo ^[1]
  1. [1] Universidad de Guayaquil

     Universidad de Guayaquil

     Guayaquil, Ecuador

     
  2. [2] Tecnológico ARGOS
• Localización: Polo del Conocimiento: Revista científico - profesional, ISSN-e 2550-682X, Vol. 7, Nº. 7 (JULIO 2022), 2022, págs. 752-768
• Idioma: español
• Títulos paralelos:
  • Aplicação de técnicas de aprendizado de máquina para reduzir observações em leituras de medidores
  • Application of machine learning techniques to reduce observations in meter readings
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    El siguiente trabajo consiste, en la búsqueda de solucionar inconveniente en la hora de tomar decisiones con las observaciones de lectura de los equipos de medición mediante técnicas de minería de datos. En la actualidad las técnicas de aprendizaje automático de diferentes algoritmos son herramientas muy utilizadas para la toma de decisiones en diferentes modelos de negocios.

    Para este tipo de modelo de negocio se procede a utilizar las técnicas de algoritmo de Regresión Lineal de acuerdo al análisis de los objetivos del negocio. Estas técnicas se basan en tener datos cuantitativos para poder evaluar diferentes algoritmos supervisados, para el entrenamiento y evaluación de los modelos a utilizar, para con esto evaluar de acuerdo al error aceptable y el error cuadrático de menor impacto para la elección del modelo de las técnicas de aprendizaje automático.

    En este proyecto se utilizó algoritmos para el aprendizaje supervisado como el de regresión lineal, el cual inicialmente se utilizó con todas las variables, y posterior fue reducido manualmente, también se utilizó la función STEP y RandomForest. Se investigó varias metodologías de minería de datos y la cual se las alineó de acuerdo al modelo de negocio es CRISP-DM.

    Se generó un dashboard con la herramienta R Studio para visualizar el algoritmo seleccionado del error más bajo del algoritmo de STEP, donde se podrá observar los sectores con mayor cantidad de observaciones de lectura de los equipos de medición y tomar acciones en función de cada sector para disminuir las observaciones.

  • English

    The following work consists in the search to solve a problem when making decisions with the reading observations of the measurement equipment through data mining techniques. At present, machine learning techniques of different algorithms are widely used tools for decision making in different business models.

    For this type of business model, Linear Regression algorithm techniques are used according to the analysis of the business objectives. These techniques are based on having quantitative data to be able to evaluate different supervised algorithms, for the training and evaluation of the models to be used, in order to evaluate according to the acceptable error and the squared error of least impact for the choice of the model of the techniques. machine learning. In this project, algorithms for supervised learning were used, such as linear regression, which was initially used with all the variables, and later was reduced manually, the STEP and RandomForest functions were also used. Several data mining methodologies were investigated and the one that was aligned according to the business model is CRISP-DM.

    A dashboard was generated with the R Studio tool to visualize the selected algorithm of the lowest error of the STEP algorithm, where it will be possible to observe the sectors with the greatest number of reading observations of the measurement equipment and take actions based on each sector to decrease observations

  • português

    O trabalho a seguir consiste na busca de resolver um problema ao tomar decisões com as observações de leitura do equipamento de medição através de técnicas de mineração de dados.

    Atualmente, técnicas de aprendizado de máquina de diferentes algoritmos são ferramentas amplamente utilizadas para tomada de decisão em diferentes modelos de negócios.

    Para este tipo de modelo de negócio, são utilizadas técnicas de algoritmos de Regressão Linear de acordo com a análise dos objetivos de negócio. Essas técnicas baseiam-se em ter dados quantitativos para poder avaliar diferentes algoritmos supervisionados, para o treinamento e avaliação dos modelos a serem utilizados, a fim de avaliar de acordo com o erro aceitável e o erro quadrado de menor impacto para a escolha do modelo das técnicas, aprendizado de máquina.

    Neste projeto, foram utilizados algoritmos de aprendizado supervisionado, como a regressão linear, que inicialmente foi utilizada com todas as variáveis, e posteriormente foi reduzida manualmente, também foram utilizadas as funções STEP e RandomForest. Diversas metodologias de mineração de dados foram investigadas e a que se alinhou de acordo com o modelo de negócio é a CRISPDM.

    Foi gerado um dashboard com a ferramenta R Studio para visualizar o algoritmo selecionado de menor erro do algoritmo STEP, onde será possível observar os setores com maior número de observações de leitura do equipamento de medição e realizar ações com base em cada setor para diminuir as observações.