Número

Vol. 9 Núm. 2 (2021): Julio - Diciembre

Derechos de autor 2021 Investigación e Innovación en Ingenierías

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

La revista Investigación e Innovación en Ingenierías respeta los derechos morales de cada autor, sin embargo los autores ceden los derechos patrimoniales de sus artículos, y al mismo tiempo certifican a través de una carta que su trabajo es inédito y no ha sido publicado anteriormente.

Optimización de los hiperparámetros de una máquina de regresión de soporte vectorial utilizando enjambre de partículas para el pronóstico de casos de COVID-19 en Bogotá

https://doi.org/10.17081/invinno.9.2.4475
Norbey Danilo Muñoz Cañón
Universidad Distrital Francisco José de Caldas
https://orcid.org/0000-0002-2632-587X
Jairo Andrés Romero Triana
Universidad Distrital Francisco José de Caldas
https://orcid.org/0000-0003-2182-073X

Corresponding Author(s) : Norbey Danilo Muñoz Cañón

ndmunozc@correo.udistrital.edu.co

Investigación e Innovación en Ingenierías, Vol. 9 Núm. 2 (2021): Julio - Diciembre

Resumen

Objetivo: optimizar los hiperparámetros de una máquina de regresión de soporte vectorial mediante la adaptación de la metaheurística de enjambre de partículas para pronosticar la serie de tiempo del total de casos positivos acumulados de la reciente enfermedad COVID-19 en la ciudad de Bogotá, Colombia. Metodología: se plantea un algoritmo híbrido de regresión de soporte vectorial y optimización por enjambre de partículas para encontrar el valor óptimo de los hiperparámetros de una máquina de regresión de soporte vectorial que mejor rendimiento muestre en el pronóstico de la serie de tiempo. Se valida a través de una comparación de los valores reales con los predichos obtenidos por una máquina de regresión sin hiperparámetros optimizados, en términos de métricas de desempeño como el error cuadrático medio, error absoluto medio y coeficiente de determinación. Resultados: cualitativamente se verifica el rendimiento mediante los pronósticos obtenidos en la serie de tiempo; cuantitativamente, con un valor en el error cuadrático medio de 0,000045 y un coeficiente de determinación de 0,998884, el método propuesto presenta un mayor desempeño. Conclusiones: el algoritmo presentado y aplicado es útil para el pronóstico de series de tiempo; con este algoritmo se aporta al campo de investigación; finalmente se discute sobre la implementación de este método en el contexto epidemiológico.

Palabras clave

covid-19, inteligencia de enjambres, máquina de soporte vectorial, optimización de enjambre de partículas, pronóstico
[1]
N. D. Muñoz Cañón y J. A. Romero Triana, «Optimización de los hiperparámetros de una máquina de regresión de soporte vectorial utilizando enjambre de partículas para el pronóstico de casos de COVID-19 en Bogotá», Investigación e Innovación en Ingenierías, vol. 9, n.º 2, pp. 91–111, sep. 2021.
Descargar cita
Endnote/Zotero/Mendeley (RIS)
BibTeX
Referencias
  • J. Zheng, “SARS-coV-2: An emerging coronavirus that causes a global threat,” Int. J. Biol. Sci., vol. 16, no. 10, pp. 1678–1685, 2020. DOI: https://doi.org/10.7150/ijbs.45053.
  • A.-B. A. Al-Hussein and R. Tahir, “Epidemiological Characteristics of COVID-19 Ongoing Epidemic in Iraq,” Bull. World Heal. Organ., Apr. 2020 DOI: https://doi.org/10.2471/BLT.20.251561.
  • E. Estrada, “COVID-19 and SARS-CoV-2. Modeling the present, looking at the future,” Phys. Rep., vol. 869, pp. 1–51, Jul. 2020. DOI: https://doi.org/10.1016/j.physrep.2020.07.005.
  • S. Ardabili et al., “COVID-19 Outbreak Prediction with Machine Learning,” SSRN Electron. J., Apr. 2020. DOI: https://doi.org/10.1101/2020.04.17.20070094.
  • A. Remuzzi and G. Remuzzi, “COVID-19 and Italy: what next?,” Lancet, vol. 395, no. 10231, pp. 1225–1228, Apr. 2020. DOI: https://doi.org/10.1016/S0140-6736(20)30627-9.
  • D. Ivanov, “Predicting the impacts of epidemic outbreaks on global supply chains: A simulation-based analysis on the coronavirus outbreak (COVID-19/SARS-CoV-2) case,” Transp. Res. Part E Logist. Transp. Rev., vol. 136, p. 101922, Apr. 2020. DOI: https://doi.org/10.1016/j.tre.2020.101922.
  • F. Koike and N. Morimoto, “Supervised forecasting of the range expansion of novel non-indigenous organisms: Alien pest organisms and the 2009 H1N1 flu pandemic,” Glob. Ecol. Biogeogr., vol. 27, no. 8, pp. 991–1000, Aug. 2018, DOI: https://doi.org/10.1111/geb.12754.
  • N. Agarwal, S. Reddy Koti, S. Saran, and A. S. Kumar, “Data mining techniques for predicting dengue outbreak in geospatial domain using weather parameters for New Delhi, India,” Curr. Sci., vol. 114, no. 11, 2018, Accessed: Aug. 20, 2020. DOI: https://doi.org/10.18520/cs/v114/i11/2281-2291.
  • S. S. Chenar and Z. Deng, “Development of artificial intelligence approach to forecasting oyster norovirus outbreaks along Gulf of Mexico coast,” Environ. Int., vol. 111, pp. 212–223, Feb. 2018. DOI: https://doi.org/10.1016/j.envint.2017.11.032.
  • L. Tapak, O. Hamidi, M. Fathian, and M. Karami, “Comparative evaluation of time series models for predicting influenza outbreaks: Application of influenza-like illness data from sentinel sites of healthcare centers in Iran,” BMC Res. Notes, vol. 12, no. 1, pp. 1–6, Jun. 2019. DOI: https://doi.org/10.1186/s13104-019-4393-y.
  • R. Liang et al., “Prediction for global African swine fever outbreaks based on a combination of random forest algorithms and meteorological data,” Transbound. Emerg. Dis., vol. 67, no. 2, pp. 935–946, Mar. 2020. DOI: https://doi.org/10.1111/tbed.13424.
  • E.-G. Talbi, “Machine Learning for Metaheuristics - State of the Art and Perspectives,” in International Conference on Knowledge and Smart Technology (KST), Apr. 2019, pp. XXIII–XXIII. DOI: https://doi.org/10.1109/kst.2019.8687812.
  • L. Calvet, J. De Armas, D. Masip, and A. A. Juan, “Learnheuristics: Hybridizing metaheuristics with machine learning for optimization with dynamic inputs,” Open Math., vol. 15, no. 1, pp. 261–280, Jan. 2017. DOI: https://doi.org/10.1515/math-2017-0029.
  • M. A. Muñoz, J. A. López, and E. F. Caicedo, “Inteligencia de enjambres: sociedades para la solución de problemas (una revisión) Swarm intelligence: problem-solving societies (a review),” Rev. Ing. E Investig., vol. 28, no. 2, pp. 119–130, 2008.
  • E.-G. Talbi, “Machine learning into metaheuristics: A survey and taxonomy of data-driven metaheuristics,” 2020. Accessed: Aug. 20, 2020. [Online]. Available: https://hal.inria.fr/hal-02745295/document.
  • K. Smets, B. Verdonk, and E. M. Jordaan, “Evaluation of performance measures for SVR hyperparameter selection,” in IEEE International Conference on Neural Networks - Conference Proceedings, 2007, pp. 637–642. DOI: https://doi.org/10.1109/IJCNN.2007.4371031.
  • W. Naudé, “Artificial intelligence vs COVID-19: limitations, constraints and pitfalls,” AI Soc., vol. 1, p. 3, Apr. 2020. DOI: https://doi.org/10.1007/s00146-020-00978-0.
  • Y. Mohamadou, A. Halidou, and P. T. Kapen, “A review of mathematical modeling, artificial intelligence and datasets used in the study, prediction and management of COVID-19,” Appl. Intell., pp. 1–13, Jul. 2020. DOI: https://doi.org/10.1007/s10489-020-01770-9.
  • R. Sujath, J. M. Chatterjee, and A. E. Hassanien, “A machine learning forecasting model for COVID-19 pandemic in India,” Stoch. Environ. Res. Risk Assess., vol. 34, no. 7, pp. 959–972, Jul. 2020. DOI: https://doi.org/10.1007/s00477-020-01827-8.
  • L. Xu, “Modelling to contain pandemic influenza A (H1N1) with stochastic membrane systems: A work-in-progress paper,” in Lecture Notes of the Institute for Computer Sciences, Social-Informatics and Telecommunications Engineering, 2012, vol. 87 LNICST, pp. 74–81, DOI: https://doi.org/10.1007/978-3-642-32615-8_10.
  • M. A. A. Al-Qaness, A. A. Ewees, H. Fan, and M. A. El Aziz, “Optimization method for forecasting confirmed cases of COVID-19 in China,” Appl. Sci., vol. 9, no. 3, p. 674, Mar. 2020. DOI: https://doi.org/10.3390/JCM9030674.
  • Secretaría Distrital de Salud de Bogotá, “Número de casos confirmados por el laboratorio de COVID- 19 - Bogotá D.C. Datos Abiertos Bogotá,” Apr. 07, 2020. https://datosabiertos.bogota.gov.co/dataset/44eacdb7-a535-45ed-be03-16dbbea6f6da (accessed Aug. 19, 2020).
  • “Normalizar datos: referencia para los módulos - Azure Machine Learning | Microsoft Docs,” Feb. 22, 2020. https://docs.microsoft.com/es-es/azure/machine-learning/algorithm-module-reference/normalize-data (accessed Aug. 20, 2020).
  • R. Adhikari and R. K. Agrawal, “An Introductory Study on Time Series Modeling and Forecasting,” L. Lambert Acad. Publ., Feb. 2013, Accessed: Aug. 20, 2020. [Online]. Available: http://arxiv.org/abs/1302.6613.
  • Microsoft, “Ajuste de los hiperparámetros de un modelo - Azure Machine Learning | Microsoft Docs,” Documentación Microsoft, 2020. https://docs.microsoft.com/es-es/azure/machine-learning/how-to-tune-hyperparameters (accessed Aug. 20, 2020).
  • R. Laref, E. Losson, A. Sava, and M. Siadat, “On the optimization of the support vector machine regression hyperparameters setting for gas sensors array applications,” Chemom. Intell. Lab. Syst., vol. 184, pp. 22–27, Jan. 2019. DOI: https://doi.org/10.1016/j.chemolab.2018.11.011.
  • M. Awad, R. Khanna, M. Awad, and R. Khanna, “Support Vector Regression,” in Efficient Learning Machines, Apress, 2015, pp. 67–80.
  • G. Barrero, “Optimización de hiperparámetros de algoritmos de aprendizaj automático usados para el análisis de la calidad del software,” Res. Gate, no. January, 2019. DOI: https://doi.org/10.13140/RG.2.2.15055.74405.
  • S. Kefi, N. Rokbani, and A. M. Alimi, “Impact of ant size on ant supervised by PSO, AS-PSO, performances,” in Advances in Intelligent Systems and Computing, Nov. 2017, vol. 552, pp. 567–577. DOI: https://doi.org/10.1007/978-3-319-52941-7_56.
  • K. S. Raghuwanshi, “A Qualitative Review of Two Evolutionary Algorithms Inspired by Heuristic Population Based Search Methods: GA & PSO,” in Lecture Notes in Networks and Systems, vol. 18, Singapore: Springer, 2018, pp. 169–175.
  • K. Demertzis, D. Tsiotas, and L. Magafas, “Modeling and forecasting the covid-19 temporal spread in Greece: An exploratory approach based on complex network defined splines,” Int. J. Environ. Res. Public Health, vol. 17, no. 13, pp. 1–18, Jul. 2020. DOI: https://doi.org/10.3390/ijerph17134693.
  • A. Godio, F. Pace, and A. Vergnano, “Seir modeling of the italian epidemic of sars-cov-2 using computational swarm intelligence,” Int. J. Environ. Res. Public Health, vol. 17, no. 10, May 2020. DOI: https://doi.org/10.3390/ijerph17103535.
  • M. Paggi, “Simulation of Covid-19 epidemic evolution: are compartmental models really predictive?,” arXiv.org, Apr. 2020, Accessed: Aug. 20, 2020. [Online]. Available: http://arxiv.org/abs/2004.08207.
  • S. Sun and Y. Zheng, “Prediction of 2019-nCov in Italy based on PSO and inversion analysis,” medRxiv, May 2020. DOI: https://doi.org/10.1101/2020.05.08.20095869.
Read More
Las biografías de los autores no están disponibles.
Descargar este archivo PDF
PDF XML