Browsing by Subject "Series temporales"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Detección de anomalías en datos meteorológicos mediante métodos de análisis avanzados
    (Pontificia Universidad Javariana Cali, 2025) Mena Ramírez, Yamuna Devi; Buss Molina, Antal Alexander
    Dada la creciente incidencia de fenómenos climáticos, como ciclones, sequías e intensas lluvias, anticipar y estudiar los cambios en las condiciones atmosféricas se ha convertido en una prioridad para países como Colombia, que cuentan con amplias áreas costeras. Estos eventos representan no solo un riesgo significativo para el medio ambiente y la seguridad, sino que también exigen un entendimiento profundo de las dinámicas atmosféricas. Las series de tiempo meteorológicas son herramientas clave en este contexto, ya que permiten el monitoreo continuo de variables climáticas, como la temperatura, la presión, la humedad y la precipitación, facilitando la identificación y estudio de patrones y anomalías que podrían anticipar eventos climáticos. En este contexto, se abordaron las limitaciones actuales en la detección de anomalías en los datos meteorológicos de la Dirección General Marítima en Colombia, siguiendo la metodología CRoss Industry Standard Process for Data Mining (CRISP-DM). Se propuso un enfoque híbrido que combina un algoritmo estadístico diseñado para la detección de anomalías naturalmente imposibles relacionadas con sensores, con un método más robusto que permite detectar días completos como eventos anómalos, en el que se seleccionaron las series multivariadas mediante un análisis de correlación, donde se identificaron las variables que presentaban mayor interdependencia. Luego, se aplicó el clustering utilizando los algoritmos K-means y DBSCAN, con enfoques tanto locales como globales. Los mejores resultados de evaluación se obtuvieron con el enfoque global aplicado a la serie multivariada que incluye temperatura del aire y humedad relativa, mostrando un puntaje de silueta de 0.67 y un índice de Davies Bouldin 0.54 para DBSCAN.
  • Thumbnail Image
    Item
    Evaluación de covariables exógenas en un modelo de series temporales para la predicción de eventos de Dengue en Cali, Valle del Cauca
    (Pontificia Universidad Javeriana Cali, 2025) Castillo Hurtado, Juan David; Arango Londoño, David
    Este trabajo evalúa si la incorporación de covariables exógenas mejora la predicción semanal de casos de dengue en Cali (Colombia). Se construyeron y compararon cuatro modelos de series de tiempo: SARIMA univariado (A) y tres SARIMAX con predictores exógenos (B: meteorología semanal agregada de NASA POWER; C: índices de búsqueda en Google Trends; y D: Combina B y C). El periodo de datos fue 2007-2024; la validación fuera de muestra se realizó año a año para 2021-2024 mediante un esquema rolling-origin con ventana móvil. El ajuste consideró transformación Box-Cox y selección automática de órdenes; la evaluación incluyó métricas puntuales (MAE, RMSE, MAPE, MASE), desempeño probabilístico (coberturas 80/95 % e interval score) y pruebas de contraste: Diebold-Mariano contra una línea base seasonal naive estacional y Ljung Box sobre residuos. En 2021-2022 los modelos con exógenas redujeron errores y mostraron DM favorables frente a snaive, evidenciando valor añadido en regímenes estacionales “típicos”. En 2023, año epidémico atípico, el rendimiento se degradó y la línea base igualó o superó a los modelos, apuntando a la necesidad de capturar no linealidades y cambios de régimen. En 2024 se recuperó la calibración (altas coberturas) a costa de intervalos más anchos, lo que sugiere incertidumbre ampliada tras el quiebre de 2023. Globalmente, clima y búsquedas aportan señales complementarias (físico-biológica y conductual), y su integración es la vía más prometedora para un sistema de alerta temprana robusto; metodológicamente se recomienda modelar umbrales/no linealidades, incorporar forzantes de gran escala (ENSO) y reentrenar tras años extremos.