Se encontraron 8 investigaciones
El monitoreo de la calidad de aire es clave para ayudar a los gobiernos a tomar acciones informadas de mejora ambiental y a los ciudadanos a tomar consciencia sobre la calidad del aire circundante, ayudando así al cuidado de su salud. La forma tradicional de monitorear el aire es través de estaciones certificadas, que, a pesar de generar datos confiables, su adquisición y operación es onerosa para muchas ciudades. En los últimos años han emergido tecnologías de bajo coste que vienen posibilitando el despliegue de grandes redes de monitoreo a costos reducidos. No obstante, la confiabilidad de los datos capturados por estas tecnologías ha sido cuestionada con frecuencia debido a que su desempeño suele ser muy sensible a las variaciones de las condiciones ambientales, meteorológicas y de envejecimiento, por lo que sus mediciones se usan mayormente como mediciones indicativas. El presente proyecto busca mejorar la confiabilidad de los datos generados por los sensores de bajo costo. El enfoque de la investigación es cuantitativo, en el cual se ajustarán modelos de calibración/corrección usando técnicas de aprendizaje automático y datos recolectados en campo. Como objetivo general se tiene: desarrollar un sistema inteligente de calibración de sensores de calidad de aire de bajo costo que maximice la calidad de los datos entregados, que sea usable en diversos entornos urbanos y temporadas climáticas y que minimice el tiempo de calibración. El resultado más importante de la investigación es una metodología validada para generar modelos de autocalibración de sensores de calidad de aire de bajo costo. Un segundo resultado será un prototipo de software que integra los modelos de calibración desarrollados y que podrá dar servicio de calibración en tiempo real a la plataforma de monitoreo de calidad de aire. El impacto de los prototipos es la mejora en la confiabilidad de los datos recogidos por las tecnologías de medición de calida
Participantes:
Instituciones participantes:
Recientemente han emergido varios modelos de Inteligencia Artificial basados en aprendizaje por refuerzo para la construcción y manejo de portafolios de inversiones. Se ha destacado que estos modelos ofrecen flexibilidad y capacidad de adaptarse a las variaciones del mercado y aprender continuamente de él. Sin embargo, la aplicación de estos modelos ha sido mayormente en mercados desarrollados, donde su liquidez es alta y los costos de transacción son bajos. Sin embargo, mercados emergentes como el peruano carecen de tales bondades, por lo que existe una laguna de conocimiento sobre si la aplicación de dichos modelos sería efectiva en nuestro mercado. En el presente proyecto de investigación se propone integrar de manera multidisciplinaria la teoría financiera con los recientes avances en Aprendizaje por Refuerzo para construir modelos de selección de activos que sean óptimos para mercados con características de baja liquidez y altos costos de transacción. Se aplicarán fundamentos sólidos de teoría financiera, una estructura de mercado que refleje la realidad y restricciones que nos permitan modelar adecuadamente el mercado de acciones peruano. Como objetivo principal se plantea desarrollar un modelo de aprendizaje por refuerzo para la optimización de portafolios de acciones en la Bolsa de valores de Lima. Para lograr este objetivo se definirá la función que maximiza la utilidad de un inversionista y se investigará modelos que permitan la maximización de esta utilidad ante las restricciones indicadas.
Participantes:
Instituciones participantes:
El ecoturismo en el Parque Nacional Huascarán (PNH) debe ser sostenible y ordenado, pero se encuentra amenazado por peligros hidrometeorológicos y el cambio climático. En promedio 4.5 visitantes del PNH fallecen al año y la experiencia a nivel mundial indica que la progresiva mejora en la disponibilidad de información de monitoreo y pronóstico meteorológico ha reducido las fatalidades en las actividades ecoturísticas en alta montaña. Sin embargo, en el PNH la disponibilidad de dicha información a escala local está limitada tanto por lo reducido del sistema observacional como por la falta de herramientas automatizadas para la generación de los pronósticos meteorológicos. En este proyecto se fortalecerá el sistema de información meteorológica para el PNH. Para esto, se diseñará un sistema de vigilancia automatizada y optimizada de los peligros hidrometeorológicos y se implementará un sistema de inteligencia artificial para determinar el estado del tiempo, particularmente la nubosidad, basado en imágenes de cámaras de bajo costo. Se implementarán herramientas de pronóstico de tormentas eléctricas utilizando información satelital, basado en la técnica de flujo óptico, con metodologías tradicionales y de inteligencia artificial con variación temporal y considerando la influencia de la topografía. También se implementará un sistema de corrección empírica de las salidas operacionales de modelos numéricos de la atmósfera a través de un modelo de regresión múltiple para generar pronósticos del tiempo a escala local en el PNH y a nivel diario. Estas herramientas se operativizarán en SENAMHI mediante APIs y se desarrollará un aplicativo móvil para poner la Información generada, así como otra relevante de INAIGEM y SERNANP, a disposición de los visitantes del PNH y operadores turísticos, lo cual permitirá una planificación y realización más segura de las actividades ecoturísticas.
Participantes:
Instituciones participantes:
El aire es un recurso vital para nuestra existencia, pero su calidad es constantemente amenazada en las ciudades. El presente proyecto objetiva el desarrollo de un sistema de monitoreo de calidad del aire de bajo costo. En adicion al desarrollo de modulos de medición de bajo costo se investiga la aplicacion de tecnicas de Inteligencia Artificial para crear modelos predictivos para la generacion de mapas de contaminación en tiempo real y de alta resolucion espacial
Participantes:
Instituciones participantes:
Predecir el comportamiento futuro de la bolsa de valores es importante para la toma de decisiones de inversiones. El presente proyecto estudió la aplicación de técnicas contemporáneas de Inteligencia Artificial (IA), como las Redes Bayesianas, para predecir la tendencia del índice general de la Bolsa de Valores de Lima al cierre de la jornada del día siguiente en base a informaciones de índices bursátiles de otros mercados alrededor del mundo. La hipótesis fue que los modelos basados en Redes Bayesianas podrían tener la capacidad de mostrar resultados plausibles para el caso de la BVL, teniendo en cuenta sus resultados positivos en otras áreas. El proyecto evaluó una diversidad de algoritmos de Inteligencia Artificial (IA), incluyendo: Decision Trees, Máquinas de Soporte Vectorial (SVM), Redes Neuronales y Redes Bayesianas. Varios tamaños de la ventana temporal de entrada fueron considerados: 24hs, 48hs, 72hs. Los experimentos mostraron resultados competitivos con los modelos de Redes Bayesianas en su capacidad de modelar y predecir la dirección del índice general de la BVL (subida o bajada). Una ventaja de estos modelos es que no requiere que todas las variables estén disponibles en el momento de la predicción (común en los mercados bursátiles). Se desarrolló una aplicación web que empaqueta los modelos desarrollados donde se visualiza la información predicha en tiempo real. A diferencia de otros enfoques de la literatura, nuestro enfoque representa gráficamente las relaciones entre las variables, lo que facilita la comprensión del dominio
Participantes:
Instituciones participantes:
Predecir si un gen responderá a la intervención de otro gen basados únicamente en el comportamiento temporal de sus perfiles de expresión génica sería de gran valor en investigaciones médicas, ya que permitiría enfocar los costosos experimentos intervencionales a aquellas interacciones con alta probabilidad en su predicción, reduciendo así los costos y tiempos de las investigaciones. Sin embargo, tal tarea de predicción es altamente desafiadora debido a los múltiples modos de causalidad que existen
Participantes:
Instituciones participantes:
Predecir si un gen responderá a la intervención de otro gen basados únicamente en el comportamiento temporal de sus perfiles de expresión génica sería de gran valor en investigaciones médicas, ya que permitiría enfocar los costosos experimentos intervencionales a aquellas interacciones con alta probabilidad en su predicción, reduciendo así los costos y tiempos de las investigaciones. Sin embargo, tal tarea de predicción es altamente desafiadora debido a los múltiples modos de causalidad que exis
Participantes:
Instituciones participantes:
This study investigated how to take a joint advantage of two promising approaches: Ensemble of Classifiers and Metalearning in the prediction of functional gene-gene interactions from observational gene expression data. This problem is of great value in medical research, but very challenging due to the randomness of the biological systems, the elevated noise levels of the data and the high dimensionalities involved.
Participantes:
Instituciones participantes: