Logo Repositorio Institucional

Please use this identifier to cite or link to this item: http://dspace.ucuenca.edu.ec/handle/123456789/33194
Title: Improving Cluster-based methods for usage anticipation by the application of data transformations
Other Titles: 
Authors: Auquilla, Andres
De bock, Yannick
Duflou, Joost r
metadata.dc.ucuenca.correspondencia: Auquilla, Andres, andres.auquilla@kuleuven.be
Keywords: Cluster Detection
Dimensionality Reduction
Logisticpca
Logisticsvd
Usage Profiling
metadata.dc.ucuenca.areaconocimientofrascatiamplio: 2. Ingeniería y Tecnología
metadata.dc.ucuenca.areaconocimientofrascatidetallado: 2.2.6 Arquitectura y Hardware del Computador
metadata.dc.ucuenca.areaconocimientofrascatiespecifico: 2.2 Ingenierias Eléctrica, Electrónica e Información
metadata.dc.ucuenca.areaconocimientounescoamplio: 07 - Ingeniería, Industria y Construcción
metadata.dc.ucuenca.areaconocimientounescodetallado: 0714 - Electrónica y Automatización
metadata.dc.ucuenca.areaconocimientounescoespecifico: 071 - Ingeniería y Profesiones Afines
Issue Date: 2018
metadata.dc.ucuenca.volumen: volumen 24, número 0
metadata.dc.source: Procedia Manufacturing
metadata.dc.identifier.doi: 10.1016/j.promfg.2018.06.044
Publisher: Elsevier BV
metadata.dc.description.city: 
Hannover
metadata.dc.type: ARTÍCULO DE CONFERENCIA
Abstract: 
Abstract The wide adoption of Internet of Things (IoT) infrastructure in recent years has allowed capturing data from systems that make intensive use of electrical power or consumables typically aiming to create predictive models to anticipate a system’s demand and to optimize system control, assuring the service while minimizing the overall consumption. Several methods have been presented to perform usage anticipation; one promising approach involves a two step procedure: profiling, which discovers typical usage profiles; and, prediction that detects the most likely profile given the current information. However, depending on the problem at hand, the number of observations to characterize a profile can increase greatly, causing high dimensionality, thus complicating the profiling step as the amount of noise and correlated features increase. In addition, the profile detection uncertainty increases, as the cluster intra-variability becomes larger and the distances between the centroids become similar. To overcome the difficulties that a usage profile with high dimensionality poses, we developed a methodology that finds the intrinsic dimensionality of a dataset, containing binary historical usage data, by performing dimensionality reductions to improve the profiling step. Then, the profile detection step makes use of the transformed actual data to accurately detect the current profile. This paper describes the implementation details of the application of such techniques by the analysis of two use cases: (1) usage prediction of a laser cutter machine; and, (2) occupancy prediction in an office environment. We observed that the dataset dimensionality and the cluster intra-variability was greatly reduced, making the profile detection less prone to errors. In conclusion, the implementation of methodologies to enhance the separability of the original data by dimensionality transformations improves the profile discovery and the subsequent actual profile detection.
Description: 
La amplia adopción de la infraestructura de Internet de las cosas (IoT) en los últimos años ha permitido capturar datos de sistemas que hacen un uso intensivo de la energía eléctrica o los consumibles, generalmente con el objetivo de crear modelos predictivos para anticipar la demanda de un sistema y optimizar el control del sistema, asegurando el servicio mientras minimizando el consumo general. Se han presentado varios métodos para realizar la anticipación del uso ; Un enfoque prometedor implica un procedimiento de dos pasos: creación de perfiles, que descubre el uso típicoperfiles; y, predicción que detecta el perfil más probable dada la información actual. Sin embargo, dependiendo del problema en cuestión, el número de observaciones para caracterizar un perfil puede aumentar considerablemente, causando una alta dimensionalidad, lo que complica la etapa de creación de perfiles a medida que aumenta la cantidad de ruido y las características correlacionadas. Además, la incertidumbre de detección del perfil aumenta, a medida que la intra-variabilidad del grupo se hace más grande y las distancias entre los centroides se vuelven similares. Para superar las dificultades que plantea un perfil de uso con alta dimensionalidad, desarrollamos una metodología que encuentra la dimensionalidad intrínseca de un conjunto de datos, que contiene datos de uso históricos binarios., realizando reducciones de dimensionalidad para mejorar el paso de perfilado. Luego, el paso de detección de perfil hace uso de los datos reales transformados para detectar con precisión el perfil actual. Este documento describe los detalles de implementación de la aplicación de tales técnicas mediante el análisis de dos casos de uso: (1) predicción de uso de una máquina de corte por láser; y (2) predicción de ocupación en un entorno de oficina. Observamos que la dimensionalidad del conjunto de datos y la intra-variabilidad del grupo se redujeron considerablemente, lo que hace que la detección del perfil sea menos propensa a errores. En conclusión, la implementación de metodologías para mejorar la separabilidad de los datos originales mediante transformaciones de dimensionalidad.mejora el descubrimiento del perfil y la posterior detección real del perfil.
URI: http://dspace.ucuenca.edu.ec/handle/123456789/33194
https://www.sciencedirect.com/science/article/pii/S2351978918305614
metadata.dc.ucuenca.urifuente: https://www.journals.elsevier.com/procedia-manufacturing
ISBN: 000-000-000-0
ISSN: 2351-9789
Appears in Collections:Artículos

Files in This Item:
File Description SizeFormat 
documento.pdfdocument2.96 MBAdobe PDFThumbnail
View/Open


This item is protected by original copyright



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.

 

Centro de Documentacion Regional "Juan Bautista Vázquez"

Biblioteca Campus Central Biblioteca Campus Salud Biblioteca Campus Yanuncay
Av. 12 de Abril y Calle Agustín Cueva, Telf: 4051000 Ext. 1311, 1312, 1313, 1314. Horario de atención: Lunes-Viernes: 07H00-21H00. Sábados: 08H00-12H00 Av. El Paraíso 3-52, detrás del Hospital Regional "Vicente Corral Moscoso", Telf: 4051000 Ext. 3144. Horario de atención: Lunes-Viernes: 07H00-19H00 Av. 12 de Octubre y Diego de Tapia, antiguo Colegio Orientalista, Telf: 4051000 Ext. 3535 2810706 Ext. 116. Horario de atención: Lunes-Viernes: 07H30-19H00