Lucila L. Chiarvetto Peralta Aplicaciones de redes neuronales Predicción de PM-10.

Presentación del tema: "Lucila L. Chiarvetto Peralta Aplicaciones de redes neuronales Predicción de PM-10."— Transcripción de la presentación:

1 Lucila L. Chiarvetto Peralta Aplicaciones de redes neuronales Predicción de PM-10

2 Lucila L. Chiarvetto Peralta ¿Qué es PM-10? o Es material sólido ó líquido suspendido en la atmósfera o Emitido ó formado directamente en el aire o Es material caracterizado por fracciones de tamaño gruesas ó finas oMP- 10 incluye particulas de 10 micrómetros en diámetro ó más pequeñas oMP- 2.5 incluye particulas de 2.5 micrómetros en diámetro ó más pequeñas

3 Lucila L. Chiarvetto Peralta Comparación

4 Lucila L. Chiarvetto Peralta Definición del predictor Se quiere predecir los promedios diarios de PM10 medidos en microgramos por metro cúbico, en función a los datos meteorológicos, para la ubicación actual de la EMCABB.

5 Lucila L. Chiarvetto Peralta EMCABB

6 Lucila L. Chiarvetto Peralta ¿Por qué se quiere construir este predictor?  Se identificó como requerimiento.  El observatorio ambiental debe ser capaz de generar alarmas cuando se pronostique que un cierto contaminante supere el valor de referencia de la norma que lo regula.

7 Lucila L. Chiarvetto Peralta Justificaciones Las redes neuronales imitan el proceso de aprendizaje del cerebro y pueden procesar problemas que impliquen datos muy complejos con relaciones no lineales, incluso cuando los datos son imprecisos y “ruidosos”. En particular cuando la relación entre los datos es desconocida.

8 Lucila L. Chiarvetto Peralta Otras aplicaciones  Herramienta de estudio, permitiendo conocimiento sobre el fenómeno, en cuestión.  Herramienta de modelado alternativa.

9 Lucila L. Chiarvetto Peralta Diseño arquitectónico PECAS Modulo predictor davies Usuario Estación meteorológica

10 Lucila L. Chiarvetto Peralta Red neuronal, herramienta  JOONE, Java Object Oriented Neural Engine  Joone (http://www.joone.org/) es un framework realizado en JAVA, para la construcción y desarrollo de aplicaciones basadas en redes neuronales.  Las aplicaciones de Joone pueden ser construidas en una maquina local.  Pueden ser entrenadas en un ambiente distribuido.  Licencia: GNU LESSER GENERAL PUBLIC LICENSE de la Free Software Foundation.

11 Lucila L. Chiarvetto Peralta Joone utilizado en el mundo académico  Using Java TM Technology – Based neural networks to predict trauma mortality  Layered learning in RoboCup Rescue simulation  Modelling and verification of digital circuit using neural network  Neural network and evolutionary algorithms.

12 Lucila L. Chiarvetto Peralta Ejemplo

13 Lucila L. Chiarvetto Peralta Screen shoots

14 Lucila L. Chiarvetto Peralta Panel de control

15 Lucila L. Chiarvetto Peralta Ejemplo, entrenamiento

16 Lucila L. Chiarvetto Peralta Métodos de evaluación  RMSE, root mean square error  MSE, mean square error  MAE, mean absolute error  D, indice de acuerdo

17 Lucila L. Chiarvetto Peralta MSE

18 Lucila L. Chiarvetto Peralta RMSE

19 Lucila L. Chiarvetto Peralta MAE

20 Lucila L. Chiarvetto Peralta d

21 d  El valor d varia entre 0 y 1.  El valor d=1, significa una coincidencia perfecta entre los valores predichos y los observados.  El valor d=0, significa un completo desacuerdo entre los valores predichos y los valores observados.

22 Lucila L. Chiarvetto Peralta d  No tiene dimensión.  Estándar de comparación.

23 Lucila L. Chiarvetto Peralta Entrenamiento, validación, evaluación Se selecciona del conjunto total de observaciones:  70% para entrenamiento  15% para validación  15% para evaluación

24 Lucila L. Chiarvetto Peralta Ejemplo, error

25 Lucila L. Chiarvetto Peralta Ejemplo, entrenamiento

26 Lucila L. Chiarvetto Peralta Ejemplo, estado luego del entrenamiento  Epoch: 7000  RMSE: 0.4461003990923533  d: 0.9991660

27 Lucila L. Chiarvetto Peralta Ejemplo, validación

28 Lucila L. Chiarvetto Peralta Ejemplo, evaluación

29 Lucila L. Chiarvetto Peralta Consideraciones de diseño más importantes  Selección de una arquitectura optima (cantidad de elementos de la capa oculta).  Selección de la mejor función de activación.  Selección de los ejemplos de entrenamiento, testing y evaluación.  Selección de cantidad de epochs.

30 Lucila L. Chiarvetto Peralta Ejemplo otra arquitectura

31 Lucila L. Chiarvetto Peralta Selección de la arquitectura

32 Lucila L. Chiarvetto Peralta Selección de arquitectura

33 Lucila L. Chiarvetto Peralta Selección de la mejor función de activación  Tangente hiperbólica: RMSE=7.73276  Logaritmo: RMSE= 6.60171

34 Lucila L. Chiarvetto Peralta Error, logaritmo

35 Lucila L. Chiarvetto Peralta Selección de los ejemplos La selección de los ejemplos de entrenamiento, debe ser capaz de mostrar toda la complejidad del problema. Sin dar información en exceso, ni en defecto. La tarea de selección es particularmente difícil, dado que la relación entre los datos que se desea modelar, es usualmente, desconocida.

36 Lucila L. Chiarvetto Peralta Selección de la cantidad de epochs  Falta de entrenar la red, produce que la red quede atrapada en un mínimo local.  Sobre entrenamiento, produce una falta de capacidad en filtrar el ruido. Es como si aprendiera de “memoria”.

37 Lucila L. Chiarvetto Peralta Sobreentrenamiento

38 Lucila L. Chiarvetto Peralta Conclusiones Es una técnica que ya ha sido utilizada en la predicción de calidad de aire, que ha mostrado ser efectiva para la predicción de polución en aire. Esto hace posible la generación de alarma, cuando se supere la norma de referencia.

39 Lucila L. Chiarvetto Peralta Conclusiones Permite el estudio, cuantificación y comparación, de la contribución meteorológica en las variaciones de concentraciones del material particulado.

40 Lucila L. Chiarvetto Peralta Conclusiones Predicción de calidad de aire: Si bien, los modelos a base de redes neuronales han mostraron mejores resultados que los modelos de regresión y deterministas. Se observaron dos corrientes de pensamientos diferente en la comunidad científica:  Adoptan el modelo.  Adoptan el modelo de forma temporaria, mientras se desarrollan modelos deterministas.

41 Lucila L. Chiarvetto Peralta Bibliografía y referencias  Air quality prediction in Milan: feed-forward neural networks, pruned neural networks and lazy learning. Giorgio Corani  Artificial neural network approach for modelling nitrogen dioxide dispersion from vehicular exhaust emissions. S.M. Shiva Nagendra, Mukesh Khare.  Assessment and prediction of tropospheric ozone concentration levels. Usign artificial neural networks. S.A. Abdul-Wahab, S.M. Al-Alawi  Willmott, C.J., 1982. Some comments on the evaluation of model performance. Bull. Am. Meteorol. Soc. 63, 1309–1313  www.epa.gov  www.jooneworld.org