Lucila L. Chiarvetto Peralta
Aplicaciones de redes neuronales
Predicción de PM-10
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
Lucila L. Chiarvetto Peralta
Comparación
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.
Lucila L. Chiarvetto Peralta
EMCABB
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.
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.
Lucila L. Chiarvetto Peralta
Otras aplicaciones
Herramienta de estudio, permitiendo conocimiento sobre el fenómeno, en cuestión.
Herramienta de modelado alternativa.
Lucila L. Chiarvetto Peralta
Diseño arquitectónico
PECAS
Modulopredictor
davies
Usuario
Estaciónmeteorológica
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.
Lucila L. Chiarvetto Peralta
Joone utilizado en el mundo académico
Using JavaTM 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.
Lucila L. Chiarvetto Peralta
Ejemplo
24 xy
Lucila L. Chiarvetto Peralta
Screen shoots
Lucila L. Chiarvetto Peralta
Panel de control
Lucila L. Chiarvetto Peralta
Ejemplo, entrenamiento
valor observado
-35,00-30,00-25,00-20,00-15,00-10,00-5,000,005,00
10,00
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61
valor observado
Lucila L. Chiarvetto Peralta
Métodos de evaluación
RMSE, root mean square error MSE, mean square error MAE, mean absolute error D, indice de acuerdo
Lucila L. Chiarvetto Peralta
MSE
ntoentrenamie
el para utilizados ejemplos de cantidad
predicho dato P
observado dato O
:donde
)( :Formula
2
1
N
i
i
N
OPMSE
i
i
ii
N
i
Lucila L. Chiarvetto Peralta
RMSE
ntoentrenamie
el para utilizados ejemplos de cantidad
predicho dato P
observado dato O
:donde
)( :Formula
2
1
N
i
i
N
OPMSERMSE
i
i
ii
N
i
Lucila L. Chiarvetto Peralta
MAE
ntoentrenamie
el para utilizados ejemplos de cantidad
predicho dato P
observado dato O
:donde
:Formula 1
N
i
i
N
OPMAE
i
i
ii
N
i
Lucila L. Chiarvetto Peralta
d
ntoentrenamie el para utilizados ejemplos de cantidad
predicho dato P
observado dato O
observados datos los de promedio O
:donde
)(
)(1 :Formula
2
1
2
1
N
i
i
OOOP
OPd
i
i
N
iii
ii
N
i
Lucila L. Chiarvetto Peralta
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.
Lucila L. Chiarvetto Peralta
d
No tiene dimensión.
Estándar de comparación.
Lucila L. Chiarvetto Peralta
Entrenamiento, validación, evaluación
Se selecciona del conjunto total de observaciones:
70% para entrenamiento 15% para validación 15% para evaluación
Lucila L. Chiarvetto Peralta
Ejemplo, error
Lucila L. Chiarvetto Peralta
Ejemplo, entrenamiento
Entrenamiento
-35,00
-30,00
-25,00
-20,00
-15,00
-10,00
-5,00
0,00
5,00
10,00
1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61
valor observado
valor predicho
Lucila L. Chiarvetto Peralta
Ejemplo, estado luego del entrenamiento
Epoch: 7000
RMSE: 0.4461003990923533
d: 0.9991660
Lucila L. Chiarvetto Peralta
Ejemplo, validación
Validación
-35
-30
-25
-20
-15
-10
-5
0
5
10
1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 Calculado, segúnfunción
Valor predicho,validación
Lucila L. Chiarvetto Peralta
Ejemplo, evaluación
Evaluación
-35
-30
-25
-20
-15
-10
-5
0
5
10
1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 Calculado, segúnfunción
Valor predicho,evaluación
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.
Lucila L. Chiarvetto Peralta
Ejemplo otra arquitectura
Lucila L. Chiarvetto Peralta
Selección de la arquitectura
Lucila L. Chiarvetto Peralta
Selección de arquitectura
Lucila L. Chiarvetto Peralta
Selección de la mejor función de activación
Tangente hiperbólica: RMSE=7.73276
Logaritmo: RMSE= 6.60171
Lucila L. Chiarvetto Peralta
Error, logaritmo
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.
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”.
Lucila L. Chiarvetto Peralta
Sobreentrenamiento
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.
Lucila L. Chiarvetto Peralta
Conclusiones
Permite el estudio, cuantificación y comparación, de la contribución meteorológica en las variaciones de concentraciones del material particulado.
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.
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
Recommended