Por favor, use este identificador para citar o enlazar este ítem:
http://dspace.ucuenca.edu.ec/handle/123456789/33194
| Título : | Improving cluster-based methods for usage anticipation by the application of data transformations |
| Otros títulos : | |
| Autor: | Auquilla Sangolqui, Andres Vinicio
De bock, Yannick
Duflou, Joost r |
| Correspondencia: | Auquilla Sangolqui, Andres Vinicio, andres.auquilla@kuleuven.be |
| Palabras clave : | Cluster detection
Dimensionality reduction
LogisticPCA
LogisticSVD
Usage profiling |
| Área de conocimiento FRASCATI amplio: | 2. Ingeniería y Tecnología |
| Área de conocimiento FRASCATI detallado: | 2.2.6 Arquitectura y Hardware del Computador |
| Área de conocimiento FRASCATI específico: | 2.2 Ingenierias Eléctrica, Electrónica e Información |
| Área de conocimiento UNESCO amplio: | 07 - Ingeniería, Industria y Construcción |
| ÁArea de conocimiento UNESCO detallado: | 0714 - Electrónica y Automatización |
| Área de conocimiento UNESCO específico: | 071 - Ingeniería y Profesiones Afines |
| Fecha de publicación : | 2018 |
| Volumen: | Volumen 24 |
| Fuente: | Procedia Manufacturing |
| metadata.dc.identifier.doi: | 10.1016/j.promfg.2018.06.044 |
| Editor: | Elsevier BV |
| Ciudad: | Hannover |
| Tipo: | 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. |
| Resumen : | 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 : | https://www.sciencedirect.com/science/article/pii/S2351978918305614 |
| URI Fuente: | https://www.journals.elsevier.com/procedia-manufacturing |
| ISBN : | 000-000-000-0 |
| ISSN : | 2351-9789 |
| Aparece en las colecciones: | Artículos
|
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.
