Search

El garantizar un transporte público monitoreado que mediante diferentes alternativas pueda evitar la congestión en las vías, incremento de contaminación ambiental, retraso en la llegada de los usuarios siendo estos principales factores que afectan a los ciudadanos en su día a día. Este proyecto técnico presenta soluciones a la problemática anterior enfocado en el conteo de civiles mediante sus dispositivos móviles y realizando una predicción basada en redes neuronales LSTM. Guaranteeing a monitored public transport that through different alternatives can avoid congestion on the roads, the increase in environmental pollution, the delay in the arrival of users, these being the main factors that to affect in citizens in their day to day. This technical project presents solutions to the previous problem focused on the count of civilians through their mobile devices and making a prediction based on LSTM neural networks.

En este trabajo se plantea pronosticar el consumo de agua potable empleando cuatro arquitecturas de red neuronal recurrente de tipo LSTM, estas contienen multiples salidas y realiza proyecciones a multiples fechas, también se elige el mejor modelo mediante el MAE y RMSE para optimizar el pronóstico de consumo de agua potable. In this work we propose to forecast drinking water consumption using four recurrent neural network architectures of LSTM type, these contain multiple outputs and perform projections to multiple dates, also the best model is chosen through the MAE and RMSE to optimize the forecast of drinking water consumption.

En el año 2018 se creó la Segunda Misión del Mercado de Capitales en Colombia, con el objetivo de estudiar el estado actual de los mercados financieros locales y sugerir soluciones para los problemas encontrados. Entre los hallazgos se encontró que el mercado de acciones ha tenido un decrecimiento notable en los años recientes, por lo que se deben tomar acciones que fomenten la participación en este mercado. Como aporte a la solución, en este trabajo se desarrolla un modelo de recomendación de acciones pertenecientes al índice COLCAP, cuyo objetivo es el de ser incluido en una herramienta que, además de mostrar los resultados del modelo, le permita ver al inversionista cifras de riesgo y los insumos que utilizó el modelo para llegar al resultado: indicadores basados en precios históricos de las acciones, noticias e indicadores financieros de cada emisor. Para ello, se proponen dos modelos de redes neuronales recurrentes que predicen los precios de las acciones, y luego estas predicciones son utilizadas para clasificar las acciones de mejor a peor según la rentabilidad calculada con dichos pronósticos. Para entrenar los modelos, se obtienen datos de precios, noticias y estados financieros, utilizando técnicas de web scraping para los primeros dos, luego se realiza un análisis de sentimientos con redes neuronales recurrentes para clasificar las noticias en positivas, negativas o neutras; y se genera un dataset final añadiendo variables calculadas. Una vez entrenados los modelos, se utiliza la técnica de validación cruzada para obtener medidas de pronóstico, y luego, después de comparar, se escoge el modelo gated recurrent unit como el mejor ya que es más preciso en los pronósticos. (Texto tomado de la fuente) In 2018 the second capital markets mission was created in Colombia, with the purpose of studying the current state of the local financial markets and to suggest solutions for the problems that were found. Among the findings, it was found that the stock market has had a notable decrease in recent years, so actions should be taken to encourage participation in this market. As a contribution to the solution, in this work, a COLCAP index stock recommendation model is developed, whose objective is to be included in an application that, not only displays the results of the model, but also allows the investor to see risk metrics and the inputs used by the model to get to the result: indicators based on historical stock prices, news and financial indicators for each issuer. To achieve this, two recurrent neural network models are proposed to predict stock prices, and then these predictions are used to classify the stocks from best to worst according to the returns calculated with those same predictions. Prices, news, and financial statements are obtained for the model training, using web scraping techniques for the first two, afterwards, a sentiment analysis is performed with recurrent neural networks to classify the news as positive, negative or neutral; and a final dataset is created adding calculated variables. After the models were trained, a cross-validation technique is used to calculate forecast metrics, and then, after comparing, the gated recurrent unit model is chosen as the best because of its more accurate forecasts. Maestría Magíster en Ingeniería - Analítica Área Curricular de Ingeniería de Sistemas e Informática

En el año 2018 se creó la Segunda Misión del Mercado de Capitales en Colombia, con el objetivo de estudiar el estado actual de los mercados financieros locales y sugerir soluciones para los problemas encontrados. Entre los hallazgos se encontró que el mercado de acciones ha tenido un decrecimiento notable en los años recientes, por lo que se deben tomar acciones que fomenten la participación en este mercado. Como aporte a la solución, en este trabajo se desarrolla un modelo de recomendación de acciones pertenecientes al índice COLCAP, cuyo objetivo es el de ser incluido en una herramienta que, además de mostrar los resultados del modelo, le permita ver al inversionista cifras de riesgo y los insumos que utilizó el modelo para llegar al resultado: indicadores basados en precios históricos de las acciones, noticias e indicadores financieros de cada emisor. Para ello, se proponen dos modelos de redes neuronales recurrentes que predicen los precios de las acciones, y luego estas predicciones son utilizadas para clasificar las acciones de mejor a peor según la rentabilidad calculada con dichos pronósticos. Para entrenar los modelos, se obtienen datos de precios, noticias y estados financieros, utilizando técnicas de web scraping para los primeros dos, luego se realiza un análisis de sentimientos con redes neuronales recurrentes para clasificar las noticias en positivas, negativas o neutras; y se genera un dataset final añadiendo variables calculadas. Una vez entrenados los modelos, se utiliza la técnica de validación cruzada para obtener medidas de pronóstico, y luego, después de comparar, se escoge el modelo gated recurrent unit como el mejor ya que es más preciso en los pronósticos. (Texto tomado de la fuente) In 2018 the second capital markets mission was created in Colombia, with the purpose of studying the current state of the local financial markets and to suggest solutions for the problems that were found. Among the findings, it was found that the stock market has had a notable decrease in recent years, so actions should be taken to encourage participation in this market. As a contribution to the solution, in this work, a COLCAP index stock recommendation model is developed, whose objective is to be included in an application that, not only displays the results of the model, but also allows the investor to see risk metrics and the inputs used by the model to get to the result: indicators based on historical stock prices, news and financial indicators for each issuer. To achieve this, two recurrent neural network models are proposed to predict stock prices, and then these predictions are used to classify the stocks from best to worst according to the returns calculated with those same predictions. Prices, news, and financial statements are obtained for the model training, using web scraping techniques for the first two, afterwards, a sentiment analysis is performed with recurrent neural networks to classify the news as positive, negative or neutral; and a final dataset is created adding calculated variables. After the models were trained, a cross-validation technique is used to calculate forecast metrics, and then, after comparing, the gated recurrent unit model is chosen as the best because of its more accurate forecasts. Maestría Magíster en Ingeniería - Analítica Área Curricular de Ingeniería de Sistemas e Informática

Este trabajo presenta un sistema de pronóstico de falla de un cojinete de turbina hidráulica mediante la aplicación de dos técnicas de machine learning: modelos de regresión lineal y modelos de redes neuronales recurrentes LSTM con el uso de envolventes diarias, semanales y mensuales. This work presents a failure forecast system for a hydraulic turbine bearing by applying two machine learning techniques: regression models and models with recurrent neural networks LSTM to the daily, weekly and monthly envelope.

Una de las principales limitaciones para la implantación práctica de dispositivos IoT (Internet Of Things) se encuentra en la banda del espectro electromagnético empleado para comunicaciones, el cual ha de ser compartido entre un número creciente de dispositivos que procesan una gran cantidad de información. La tecnología denominada Radio Cognitiva (RC) permite hacer un uso más e ciente del espectro electromagnético, modificando de forma dinámica los parámetros de transmisión y recepción de los dispositivos en función de la información sensada del entorno en términos de interferencias, ocupación de la banda, nivel de la batería, etc. Este trabajo explora el concepto de un sistema de radio cognitiva con perspectiva a poder ser implementable con técnicas de digitalización altamente programables y adaptativas usando un Software Dened Radio (SDR), junto con un procesamiento de la información asistido mediante técnicas de aprendizaje automático basados en procesamiento neuromórfico. Es decir, esta Inteligencia Artificial (IA) va a enfocarse en una de las tecnologías clave de hoy en día conocida como aprendizaje profundo o en inglés Deep Learning (DP) que, a su vez, presenta diferentes estructuras lógicas o redes neuronales que se asemejan a la organización del sistema nervioso de los mamíferos. En concreto se usa la red Long Short-Term Memory (LSTM) para la predicción en series temporales del nivel de ocupación para distintos anchos de banda del espectro electromagnético. El concepto del sistema radio cognitivo es implementado mediante una red LSTM con la que se obtiene una predicción futura de las ondas electromagnéticas y que haciendo uso de esta información, se podrá decidir que ancho de banda es el más adecuado modificando los parámetros necesarios de un filtro analógico/RF paso de banda. Universidad de Sevilla. Máster Universitario en Microelectrónica: Diseño y Aplicaciones de Sistemas Micro/Nanométricos