Tecnologías Específicas

Computación

Descripcion y Objetivos

Sin duda alguna el consumo energético es uno los problemas más acuciantes actualmente. Poder estimar el consumo energético de un edificio de forma razonable es vital para poder predecir el impacto que posibles mejoras tendrían en el consumo.

En este TFG vamos a abordar el problema del desarrollo de modelos predictivos capaces de realizar buenas predicciones del consumo energético de un edificio atendiendo a cuatro medidores específicos: agua caliente, refrigeración, electricidad y vapor. Los datos que se usarán provienen de más las mediciones realizadas durante tres años en más de 1000 edificios distribuidos por 16 zonas distintas. Han sido proporcionados por ASHRAE, una institución cuyo propósito es obtener un entorno más sostenible y saludable mediante el avance en investigación en HVAC (heating, ventilation and air conditioning) y ciencias relacionadas. Actualmente estos datos están disponibles en la plataforma Kaggle como competición (https://www.kaggle.com/c/ashrae-energy-prediction/).

El objetivo de este trabajo fin de grado es estudiar el problema y proporcionar distintas soluciones al mismo, comparándolas desde un punto de vista formal (validación), no es obviamente ganar dicha competición. Para ello planteamos los siguiente subobjetivos:

▪ Realizar un estudio de los datos disponibles (datos sobre los edificios, el consumo y el clima). Realizando las transformaciones necesarias sobre los datos de entrada para poder abordar las diferentes tareas identificadas (predicción numérica de una o múltiples variables).

▪ Definir las distintas estrategias de predicción, abordando desde técnicas de series temporales a técnicas basadas en aprendizaje automático. Será necesario determinar si pueden establecerse relaciones entre los edificios, agrupaciones y si es más conveniente predecir las variables respuesta (medidores) de forma individual o de forma conjunta.

 

 

 

Metodología y Competencias

Metodología:

1. Revisar el contexto del problema y la literatura disponible.
2. Objetivo de ciencia de datos.
3. Realizar un análisis exploratorio de los datos existentes.
4. Sobre la partición de datos de entrenamiento diseñar procesos de minería de datos centrados en:
   1. Preprocesamiento de datos (selección de variables, construcción de variables, etc.)
   2. Identificación de los algoritmos de minería de datos que mejor encajen en el problema objetivo. Aplicar realizando selección de modelos en función de los parámetros.
   3. Validación de los modelos obtenidos.
   4. Iterar refinando los pasos anteriores hasta determinar uno o varios modelos exitosos.
5. Documentar todo el proceso anterior para que sea repetible.
6. Estimar la bondad de los modelos finales (seleccionados) sobre el conjunto de datos de test reservado a tal efecto.
7. Redactar la memoria.

Competencias:

Se trabajarán principalmente (en distinto grado) las siguientes competencias específicas de la tecnología de computación:

• Capacidad para evaluar la complejidad computacional de un problema, conocer estrategias algorítmicas que puedan conducir a su resolución y recomendar, desarrollar e implementar aquella que garantice el mejor rendimiento de acuerdo con los requisitos establecidos.
• Capacidad para conocer los fundamentos, paradigmas y técnicas propias de los sistemas inteligentes y analizar, diseñar y construir sistemas, servicios y aplicaciones informáticas que utilicen dichas técnicas en cualquier ámbito de aplicación.
• Capacidad para adquirir, obtener, formalizar y representar el conocimiento humano en unaforma computable para la resolución de problemas mediante un sistema informático en cualquier ámbito de aplicación, particularmente los relacionados con aspectos de computación, percepción y actuación en ambientes entornos inteligentes.
• Capacidad para conocer y desarrollar técnicas de aprendizaje computacional y diseñar e implementar aplicaciones y sistemas que las utilicen, incluyendo las dedicadas a extracción automática de información y conocimiento a partir de grandes volúmenes de dato.

 

Medios a utilizar

Ordenadores personales, compiladores y entornos de programación. Todo disponible en la ESIIAB

 

Bibliografía

Libros y manuales de aprendizaje automático, relativos al dominio de problema y ciencia/minería de datos. Libros y manuales de lenguajes de programación y librerías específicas de aprendizaje automático. Todo disponible en la ESIIAB y/o en internet.