Resumen

Un método de corrección que utiliza el aprendizaje automático pretende mejorar el método convencional basado en la regresión lineal (LR) para la corrección de los datos de presión atmosférica obtenidos por los smartphones. El método propuesto en este estudio realiza un análisis de agrupación y regresión con clasificación en el dominio del tiempo. Los datos obtenidos en Gyeonggi-do, una de las provincias más pobladas de Corea del Sur que rodea a Seúl con un tamaño de 10.000 km2, desde julio de 2014 hasta diciembre de 2014, utilizando smartphones fueron clasificados con respecto a la hora del día (diurna o nocturna) así como al día de la semana (día de la semana o fin de semana) y a la movilidad del usuario, antes del clustering de maximización de expectativas (EM). Posteriormente, se analizaron los resultados para compararlos aplicando métodos de aprendizaje automático como el perceptrón multicapa (MLP) y la regresión de vectores de apoyo (SVR). Los resultados mostraron un error medio absoluto (MAE) un 26% menor de media cuando el análisis de regresión se realizó mediante clustering EM en comparación con el obtenido sin clustering EM. En cuanto a los métodos de aprendizaje automático, el MAE de SVR fue alrededor de un 31% inferior al de LR y alrededor de un 19% inferior al de MLP. Se concluye que los datos de presión procedentes de los smartphones son tan buenos como los de la red nacional de estaciones meteorológicas automáticas (AWS).

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:métodos de aprendizaje automático, análisis de regresión, clustering em, hora del día, error medio absoluto, clasificación en el dominio del tiempo, regresión lineal convencional, smartphones, estación meteorológica automática, datos de presión atmosférica
• Keywords:machine learning methods, regression analysis, em clustering, time of day, means absolute error, time domain classification, conventional linear regression, smartphones, automatic weather station, atmospheric pressure data