Modelado Predictivo en Flujo de Datos de Procesos con Deriva de Concepto y su Aplicación al Turismo en Canarias

Abstract

Esta tesis tiene como objetivo analizar los procesos del modelado predictivo en flujos de datos sujetos a deriva de concepto o deriva conceptual (del inglés concept drift), utilizando para ello diferentes metodologías englobadas dentro de la Inteligencia Computacional (del inglés Computational Intelligence), así como su aplicación al tejido turístico en las Islas Canarias. En primer lugar, se ha realizado un estudio exhaustivo del estado del arte respecto a la aplicación de metodologías de Computational Intelligence dentro de toda la industria turística y hotelera, dando a conocer cómo se están integrando estas metodologías en este sector y qué se está haciendo para solventar los problemas del mismo, además de proponer una nueva clasificación de dichos esfuerzos en base a su utilización y sus casos de uso. Dicho estudio puso de manifiesto la ausencia de investigaciones dentro del área del turismo relacionadas con la predicción de fenómenos meteorológicos adversos o con la predicción de condiciones de tráfico no deseadas en zonas turísticas. Este hecho, unido a una carencia de investigaciones de este tipo dentro de las áreas turísticas del archipiélago canario, propició el desarrollo de diferentes metodologías basadas en Computational Intelligence, y más concretamente mediante minería en flujos de datos y aprendizaje online, con el objetivo de generar modelos predictivos capaces de adaptarse al concept drift y de proporcionar nuevas predicciones basadas en datos recibidos y analizados en tiempo real. Teniendo esto en cuenta, se propone la aplicación de dos metodologías diferentes de Computational Intelligence basadas en el aprendizaje online con el objetivo de crear modelos predictivos resistentes al concept drift presente en datos no estacionarios. Como primera aproximación, se han analizado datos recogidos por la AEMET en todas sus estaciones climatológicas del archipiélago canario, con el objetivo de realizar predicciones con una hora de antelación respecto a fenómenos climatológicos adversos. Esto se ha podido lograr mediante el uso de un modelo de regresión lineal adaptado al aprendizaje en tiempo real. Como segunda aproximación, se ha utilizado un modelo predictivo basado en redes neuronales adaptativas resonantes (del inglés Adaptive Resonance Theory, o ART) para predecir, con una hora de margen, condiciones de alta densidad de tráfico en el caso particular de la autopista M-30 de Madrid, la cual es conocida por sus condiciones de circulación caóticas y aleatorias. El objetivo de esta tesis persigue, mediante la proposición de las metodologías previamente descritas, dotar tanto a instituciones públicas como a organismos privados de nuevas herramientas o aproximaciones para resolver problemas que puedan degradar la calidad de los servicios prestados en el sector turístico y hotelero, a través de la aplicación de metodologías de Computational Intelligence sobre datos recogidos y analizados en tiempo real, y revelando los beneficios que presentan estas metodologías al ser adaptadas para hacer frente al concept drift.