Dispositivo y método de predicción de heladas y nieblas locales basado en computación neuronal con selección de características.

Dispositivo y método de predicción de heladas y nieblas locales basado en computación neuronal con selección de características.

Un dispositivo para la predicción local de heladas y nieblas a partir de una serie de datos meteorológicos locales de partida y una serie de medidas previas de heladas y nieblas locales. El dispositivo está formado por una serie de dispositivos de medición y captación de datos meteorológicos (DMCD) (1), dos dispositivos que implementan módulos independientes de computación neuronal, uno para la predicción de helada (3) y otro para la predicción de niebla (4), con un proceso previo de selección de características (5) para cada módulo, una fuente de energía eléctrica principal (6) para la alimentación de los diferentes componentes del dispositivo y un juego de baterías (7) como alimentación eléctrica auxiliar para el caso en que la fuente de energía eléctrica principal no sea capaz de suministrar la energía eléctrica requerida.

Dispositivo y método de predicción de heladas y nieblas locales basado en computación neuronal con selección de características.

SECTOR DE LA TÉCNICA

La presente invención se engloba en el campo de la meteorología. Dentro de ese ámbito, en el de la predicción de variables meteorológicas a escala local.

ESTADO DE LA TÉCNICA

Existen diferentes métodos para la predicción de valores futuros de variables meteorológicas a nivel local. Una clase de estos métodos es la computación neuronal, que engloba diferentes técnicas capaces de resolver problemas de clasificación y regresión, que están caracterizadas por realizar un procesamiento paralelo de la información en unidades de computación básicas, y que incluyen técnicas como las redes neuronales. También se consideran técnicas de computación neuronal otro tipo de técnicas de clasificación o regresión como las máquinas de vectores soporte.

Los métodos de computación neuronal aplicados a problemas de predicción tienen ventajas sobre otros métodos tradicionales, tales como la regresión lineal, la regresión lineal multivariante o los métodos basados en el análisis de series temporales (ARMA, ARIMA) . Básicamente, los métodos de computación neuronal mejoran en muchos casos el rendimiento de estos métodos clásicos, y además son mucho más flexibles a la hora de ser aplicados en problemas mal condicionados, con variables no numéricas o en casos de conjuntos de entrenamiento no balanceados. Debido a estas ventajas, los métodos de predicción basados en computación neuronal han sido aplicados con notable éxito en el campo de la meteorología, y más concretamente en la predicción de variables meteorológicas a escala local.

Así, los métodos de computación neuronal han sido empleados en la predicción de diversos fenómenos meteorológicos tales como temperatura ambiente -R. E. Abdel-Aal, ``Hourly temperature forecasting using abductive networks, '' Engineering Applications of Artificial Intelligence, vol. 17, pp. 543-556, 2004. -, -G. V. Parishwad, R. K. Bhardwaj and V. K. Nema, “Prediction of monthly-mean hourly relative humidity, ambient temperature and wind velocity for India, ” Renewable Energy, vol. 13, pp. 363-380, 1998., -O. A. Dombayc and M. Gölclü, ”Daily means ambient temperature prediction using artificial neural networks method: a case study of Turkey, ” Renewable Energy, vol. 34, pp. 1158-1161, 2009. , -B. A. Smith, G. Hoogenboom and R. W. McClendon, ``Improving air temperature prediction with artificial neural networks, ”International Journal of Computational Intelligence”, vol. 3, no. 3, pp. 179186, 2007.

También han sido utilizados en problemas de predicción de velocidad de viento -M. Bilgili, B. Sahin and A. Yasar, “Application of artificial neural networks for the wind speed prediction of target station using reference stations data, ” Renewable Energy, vol. 32, no. 14, pp. 2350-2360, 2007. -S. Li, D. C. Wunsch, E. O'Hair and M. Giesselmann, “Comparative analysis of regression and artificial neural network models for wind turbine power curve estimation, ” Journal of Solar Energy Engineering, vol. 123, pp. 327-332, 2001. – M. A. Mohandes, T. O. Halawani, S. Rehman, Ahmed A. Hussain, “Support vector machines for wind speed prediction Renewable Energy, vol. 29, no. 6, pp. 939947, 2004.

Problemas de predicción de radiación solar -M.A. Behrang, E. Assareh, A. Ghanbarzadeh, A.R. Noghrehabadi, “The potential of different artificial neural network (ANN) techniques in daily global solar radiation modeling based on meteorological data, ” Solar Energy, vol. 84, no. 8, pp. 1468-1480. -O. $enkal and T. Kuleli, "Estimation of solar radiation over Turkey using artificial neural network and satellite data, ” Applied Energy, vol. 86, no. 7-8, pp. 12221228, 2009.

Problemas de predicción de precipitación, -G. Srivastava, S. N. Panda, P. Mondal, J. Liu, “Forecasting of rainfall using ocean-atmospheric indices with a fuzzy neural technique, ” Journal of Hydrology, vol. 395, no. 3-4, pp. 190198, 2010. – C.L. Wu, K.W. Chau, C. Fan “Prediction of rainfall time series using modular artificial neural networks coupled with data-preprocessing techniques, ” Journal of Hydrology, vol. 389, no. 1-2, pp. 146-167, 2010.

La aplicación de métodos de computación neuronal a la predicción de nieblas y heladas ha sido mucho más limitada y puntual. En el caso de predicción de niebla, cabe destacar el trabajo -D. Fabián, R. de dear and S. Lellyett, “Application of Artificial Neural Network Forecasts to Predict Fog at Canberra International Airport, ” -donde los autores se basan en datos meteorológicos de archivo del servicio meteorológico de Australia y en informes METAR (parte de información meteorológica aeronática regulado en el Anexo 3 al Convenio de Chicago) , como variables de entrada a una red neuronal de tipo perceptrón para predicción. Y el trabajo – A. S. Nugroho, S. Kuronayagi and A. Iwata, “Fog forecasting using self growing neural network 'CombNET-II:' a solution for imbalanced training sets problems, ” Proceedings of the IEEE-INNS-ENNS International Joint Conference on Neural Networks. – donde se utilizan datos meteorológicos de archivo del servicio meteorológico Japonés como entrada a una red neuronal de tipo self-growing de predicción. En cuanto a la predicción de heladas, cabe destacar el trabajo -L. Ghielmi and E. Eccel, Descriptive models and artificial neural networks for spring frost prediction in an agricultural mountain area, Computers and Electronics in Agriculture, vol. 54, no. 2, pp. 101-114, 2006. donde se usan datos de estaciones de medición fijas y de modelos matemáticos para establecer la predicción de temperaturas en tiempo futuro, predicciones que son usadas como entrada a una red de tipo perceptrón para el pronóstico de aparición de hielo.

La selección de características son un conjunto de técnicas usadas en el campo de la computación neuronal para mejorar el rendimiento de estos sistemas. Básicamente comprende cualquier tipo de procedimiento para evaluar la efectividad de una determinada variable de entrada de una red neuronal (conocidas usualmente como características) . El objetivo de cualquier procedimiento de selección de características es obtener un conjunto de variables de entrada a la red neuronal más pequeño que el conjunto inicial, de forma que el rendimiento de la red no se vea afectado, o incluso mejore. Los procedimientos de selección de características son aplicables a cualquier tipo de red neuronal, por lo que pueden considerarse procedimientos aplicables al campo de la computación neuronal en general. Existen muchos algoritmos de selección de características, que pueden englobarse en dos grupos bien diferenciados caracterizados por nombres en inglés, los métodos de filtering – A. Blue and P. Langley, “Selection of relevant features and examples in machine learning, ”, Artificial Intelligence, vol. 97, pp. 245-271, 1997. -, caracterizados por utilizar un modelo independiente de la red neuronal para establecer las características que se mantienen y las que se eliminan, y los métodos wrapper – R. Kohavi and G. John, “Wrappers for feature selection”, International Journal of Digital Libraries, vol. 1, pp. 108-121, 1997. – que utilizan el rendimiento de la propia red neuronal para establecer el conjunto de características a seleccionar. Los métodos de selección de características han sido utilizados para mejorar el rendimiento de redes neuronales en muy diversas aplicaciones -S. Salcedo-Sanz et al. “Enhancing genetic feature selection through restricted search and Walsh análisis, ” IEEE Transactions on Systems, Man, and Cybernetics—part C: applications and Reviews, vol. 34, no. 4, 2004. -E. Alexandre, L. Cuadra,

M. Rosa, F. López. Feature selection for sound classification in hearing aids through restricted search driven by genetic algorithms. IEEE Transactions on Audio, Speech and Language Processing, vol. 15, no. 8, pp. 2249 – 2256, 2007.

EXPLICACIÓN DE LA INVENCIÓN

El objetivo de la presente invención es proporcionar un dispositivo y método para obtener predicciones de helada y niebla en un tiempo futuro prefijado t, mediante dos módulos de computación neuronal independientes, a partir de variables o datos meteorológicos locales (in-situ sobre el lugar de predicción) procedentes de una serie de sensores de medición y captación datos meteorológicos los cuales son procesados a partir de un algoritmo de selección de características. La presente invención proporciona un dispositivo y método para realizar...

1. Un método para la predicción local de heladas y nieblas a partir de una serie de variables o datos meteorológicos locales de partida y una serie de medidas previas de heladas y nieblas locales, caracterizado por dos módulos independientes de computación neuronal, uno para la predicción de helada y otro para la predicción de niebla, con un proceso previo de selección de características independiente para cada módulo, alimentados por una serie de datos obtenidos mediante una serie de sensores de medición y captación de datos meteorológicos.

2. Un método de predicción de heladas y nieblas locales, según la reivindicación 1, caracterizado porque utiliza técnicas de computación neuronal, incluyendo en éstas a las conocidas como máquinas de vectores soporte, así como cualquier otra red neuronal capaz de resolver problemas de regresión o clasificación a partir de un conjunto de entrenamiento formado por una serie de vectores de entrada etiquetados, donde dichas técnicas de computación neuronal se implementan en módulos de computación neuronal independientes, e incorporan datos meteorológicos procedentes de una serie de sensores de medición y captación de datos, donde dichos datos meteorológicos son sometidos a un proceso de selección de características independiente para cada módulo, y posteriormente utilizados como parámetros de entrada para el entrenamiento de los módulos de computación neuronal junto con datos de heladas o nieblas existentes que se utilizan como etiquetas de salida deseadas para realizar el entrenamiento de los módulos de computación neuronal, donde dichos módulos, una vez entrenados, producirán una predicción de heladas o nieblas respectivamente, en un tiempo futuro preestablecido t, de acuerdo con el siguiente procedimiento:

• establecer la hora del día a la que se realizará la predicción, h;

• establecer el tiempo t a partir de la hora h de predicción con el que trabajarán los módulos de computación neuronal;

• conformar un vector de entrada para los módulos de computación neuronal usando los datos recogidos por los sensores de medición y captación de datos;

• realizar un proceso de selección de características independientes que servirán de entrada para cada módulo de computación neuronal;

• realizar un proceso de entrenamiento de los módulos de computación neuronal empleando los datos históricos de las características seleccionadas;

• realizar una predicción en la hora h+t, de helada o niebla empleando cada módulo de computación neuronal, a partir del vector de entrada en la hora de predicción h;

• enviar un aviso a un centro de control remoto a partir de un sistema de transmisión de datos si el resultado a la salida de los módulos de computación neuronal es la predicción positiva de helada o niebla en el tiempo futuro preestablecido t.

3. Un método, según la reivindicación 2, caracterizado porque los datos meteorológicos captados por los sensores de medición y captación de datos, son procesados para realizar una selección de las variables meteorológicas que mejore el entrenamiento de los módulos de computación neuronal, mediante el siguiente procedimiento:

• establecer previamente el tiempo t a partir de la hora h de predicción con el que trabajarán los módulos de computación neuronal;

• construir un conjunto de validación a partir de los datos meteorológicos capturados por los sensores de captación de datos, donde los vectores de dicho conjunto de entrenamiento se asocian uno a uno a etiquetas de existencia de niebla o helada obtenidas para un tiempo t a partir de la obtención de los datos meteorológicos históricos;

• realizar un proceso de selección de características de variables meteorológicas sobre el conjunto de validación en el que dicho proceso de selección es independiente para cada módulo por lo que las variables obtenidas para el módulo de predicción de niebla pueden ser distintas a las variables obtenidas para el módulo de predicción de heladas, consistente en proporcionar a dicho módulo como parámetros de entrada el conjunto de validación etiquetado, donde la salida del proceso de selección de características consiste en un subconjunto de Mn variables meteorológicas para el caso del módulo de predicción niebla, donde Mn<N, y Mh variables meteorológicas para el módulo de predicción de heladas, donde Mh<N y, en ambos casos, se obtienen las Mn o Mh variables que menor error produzcan en el conjunto de validación como variables finales de entrada de los módulos de computación neuronal.

4. Un método, según cualquiera de las reivindicaciones 2 o 3, caracterizado porque los procesos de entrenamiento de los módulos de computación neuronal quedan definidos a partir del tipo de módulo de computación neuronal implementado, de los datos meteorológicos obtenidos por los sensores de medición y captación de datos, las variables seleccionadas para cada módulo de computación neuronal por un método de selección de características y por datos existentes de heladas o nieblas locales que conforman los datos de salida deseados en el tiempo futuro preestablecido t, siguiendo el siguiente algoritmo iterativo:

• establecer previamente el tiempo t a partir de la hora h de predicción con el que trabajarán los módulos de computación neuronal;

• construir un conjunto de entrenamiento con L muestras temporales captadas por los sensores de medición y captación de datos, de dimensión Mn en el caso del módulo de predicción de niebla y Mh en el caso del módulo de predicción de heladas, donde las dimensiones Mn y Mh vienen impuestas por el número de variables a la salida de los módulos de selección de características, donde cada muestra del conjunto de entrenamiento está formada por Mn oMh variables meteorológicas (dependiendo del módulo de predicción considerado) asociadas una a una a etiquetas de existencia de niebla o helada, obtenidas para un tiempo t a partir del tiempo de obtención de los datos meteorológicos;

• actualizar los parámetros internos de los módulos de computación neuronal de acuerdo a los datos del conjunto de entrenamiento anterior, de manera que se minimice el error de predicción del correspondiente módulo de computación neuronal el cual, al basarse en un esquema supervisado de entrenamiento, dicho error de predicción es obtenido contabilizando como error cada vez que la salida predictiva del módulo de computación neuronal sea diferente a la etiqueta que denota la presencia de niebla o helada en el conjunto de variables o parámetros meteorológicos del conjunto de entrenamiento o datos históricos.

5. Un dispositivo de predicción local de heladas y nieblas a partir de una serie de variables o datos meteorológicos locales de partida y una serie de medidas previas de heladas y nieblas locales, caracterizado por dos módulos independientes de computación neuronal, uno para la predicción de helada y otro para la predicción de niebla, con un proceso previo de selección de características independiente para cada módulo, alimentados por una serie de datos obtenidos de sensores de medición y captación de datos meteorológicos.

6. Dispositivo de predicción de heladas y nieblas locales, según la reivindicación 5, caracterizado porque utiliza técnicas de computación neuronal, incluyendo en éstas a las conocidas como máquinas de vectores soporte, así como cualquier otra red neuronal capaz de resolver problemas de regresión o clasificación a partir de un conjunto de entrenamiento formado por una serie de vectores de entrada etiquetados, donde dichas técnicas de computación neuronal se implementan en módulos de computación neuronal independientes, e incorporan datos meteorológicos procedentes de una serie de dispositivos de medición y captación de datos, integrados en el dispositivo de predicción de nieblas y heladas, donde dichos datos meteorológicos son sometidos a un proceso de selección de características independiente para cada módulo, y posteriormente utilizados como parámetros de entrada para el entrenamiento de los módulos de computación neuronal junto con datos de heladas o nieblas existentes que se utilizan como etiquetas de salida deseadas para realizar el entrenamiento de los módulos, donde dichos módulos, una vez entrenados, producirán una predicción de heladas o nieblas respectivamente, en un tiempo futuro preestablecido t, de acuerdo con el siguiente procedimiento:

• establecer la hora del día a la que el dispositivo realizará la predicción, h;

• establecer previamente en el dispositivo el tiempo t a partir de la hora h de predicción con el que trabajarán los módulos de computación neuronal;

• usando datos recogidos por los sistemas de medición y captación de datos a la hora de predicción h, se conforma un vector de entrada para los módulos de computación neuronal, que consistirá en una serie de variables meteorológicas, formadas por aquellas variables que se obtuvieron del proceso de selección de características en cada módulo de computación neuronal;

• cada módulo de computación neuronal, a partir del vector de entrada en la hora de predicción h, proporcionará una predicción en la hora h+t, de helada o niebla, respectivamente;

• si el resultado a la salida de los módulos de computación neuronal es la predicción positiva de helada o niebla en el tiempo futuro preestablecido t, enviar un aviso a un centro de control remoto a partir de un sistema de transmisión de datos.

7. Dispositivo, según la reivindicación 6, caracterizado porque los datos meteorológicos captados por los sensores de medición y captación de datos, son procesados para realizar una selección de las variables meteorológicas que mejore el entrenamiento de los módulos de computación neuronal, mediante el siguiente procedimiento:

• establecer previamente en el dispositivo el tiempo t a partir de la hora h de predicción con el que trabajarán los módulos de computación neuronal;

• construir un conjunto de validación a partir de los datos meteorológicos capturados por los sensores de captación de datos, donde los vectores de dicho conjunto de entrenamiento se asocian uno a uno a etiquetas de existencia de niebla o helada obtenidas para un tiempo t a partir de la obtención de los datos meteorológicos históricos;

• realizar un proceso de selección de características de variables meteorológicas sobre el conjunto de validación en el que dicho proceso de selección es independiente para cada módulo por lo que las variables obtenidas para el módulo de predicción de niebla pueden ser distintas a las variables obtenidas para el módulo de predicción de heladas, consistente en proporcionar a dicho módulo como parámetros de entrada el conjunto de validación etiquetado, donde la salida del proceso de selección de características consiste en un subconjunto de Mn variables meteorológicas para el caso del módulo de predicción niebla, donde Mn<N, y Mh variables meteorológicas para el módulo de predicción de heladas, donde Mh<N y, en ambos casos, se obtienen las Mn o Mh variables que menor error produzcan en el conjunto de validación como variables finales de entrada de los módulos de computación neuronal;

8. Dispositivo, según cualquiera de las reivindicaciones 6 ó 7, caracterizado porque los procesos de entrenamiento de los módulos de computación neuronal quedan definidos a partir del tipo de módulo de computación neuronal implementado, de los datos meteorológicos obtenidos por los sensores de medición y captación de datos, las variables seleccionadas para cada módulo de computación neuronal por un método de selección de características y por datos existentes de heladas o nieblas locales que conforman los datos de salida deseados en el tiempo futuro preestablecido t, siguiendo el siguiente algoritmo iterativo:

• establecer previamente en el dispositivo el tiempo t a partir de la hora h de predicción con el que trabajarán los módulos de computación neuronal;

• construir un conjunto de entrenamiento con L muestras temporales captadas por los dispositivos de medición y captación de datos, de dimensión Mn en el caso del módulo de predicción de niebla y Mh en el caso del módulo de predicción de heladas, donde las dimensiones Mn y Mh vienen impuestas por el número de variables a la salida de los módulos de selección de características, donde cada muestra del conjunto de entrenamiento está formada por Mn oMh variables meteorológicas (dependiendo del módulo de predicción considerado) asociadas una a una a etiquetas de existencia de niebla o helada, obtenidas para un tiempo t a partir del tiempo de obtención de los datos meteorológicos;

• actualizar los parámetros internos de los módulos de computación neuronal de acuerdo a los datos del conjunto de entrenamiento anterior, de manera que se minimice el error de predicción del correspondiente módulo de computación neuronal el cual, al basarse en un esquema supervisado de entrenamiento, dicho error de predicción es obtenido contabilizando como error cada vez que la salida predictiva del módulo de computación neuronal sea diferente a la etiqueta que denota la presencia de niebla o helada en el conjunto de variables o parámetros meteorológicos del conjunto de entrenamiento o datos históricos;

9. Un programa informático que comprende medios de código de programa informático adaptados para realizar las diferentes etapas de los métodos según cualquiera de las reivindicaciones de la 2 a la 4, cuando dicho programa se ejecuta en un ordenador, un procesador de señal digital, una disposición de puertas de campo programable, un circuito integrado de aplicación específica, un microprocesador, un microcontrolador, y cualquier otra forma de hardware programable.