Desarrollo de servicios avanzados para la toma de decisiones inteligentes en dimensiones claves de la sociedad digital
- Autores: Luis Mendoza Pittí
- Directores de la Tesis: Miguel Vargas Lombardo (dir. tes.), José Manuel Gómez Pulido (codir. tes.)
- Lectura: En la Universidad de Alcalá ( España ) en 2023
- Idioma: español
- Tribunal Calificador de la Tesis: Diego María Rodríguez Puyol (presid.), Clara Simón de Blas (secret.), José Aguilar Castro (voc.)
- Programa de doctorado: Programa de Doctorado en Ingeniería de la Información y del Conocimiento por la Universidad de Alcalá
- Materias:
- Enlaces
- Resumen
- español
La presente tesis doctoral tiene como meta facilitar la toma de decisiones inteligentes dirigidas a los principales actores dentro de las dimensiones claves de la sociedad digital mediante el desarrollo de servicios avanzados. Para ello, los conceptos de Smart City, Soft-Computing y Arquitecturas de Software Orientada a Servicios favorecen la introducción de las tecnologías necesarias para el desarrollo de servicios flexibles, escalables y de calidad, con la finalidad de mejorar el bienestar social y la sostenibilidad ambiental.
Los resultados obtenidos a lo largo del trabajo de investigación realizado y que da lugar a esta tesis, han sido difundidos en el ámbito científico internacional mediante cinco contribuciones significativas publicadas tanto en revistas como congresos científicos de gran prestigio, los cuales conforman la memoria por compendio de la tesis doctoral que se expone. Esta investigación se centró en dos dimensiones claves de la Ciudad Inteligente (Smart City) como lo son la Energía Inteligente (Smart Energy) y la Salud Inteligente (Smart Health).
En este sentido, en la dimensión de la Smart Energy, se han incorporado tres contribuciones significativas. La primera es una revisión exhaustiva de la literatura científica, en la cual se identifican y analizan avanzadas arquitecturas orientada a servicios inteligentes en el contexto de la mejora de la eficiencia energética para apoyar la toma de decisiones respecto al funcionamiento y/o comportamiento óptimo de los sistemas energéticos de los edificios. La segunda contribución propone la simulación del comportamiento y operaciones de diferentes sistemas de calefacción, ventilación y aire acondicionado (HVAC) de un edificio concreto mediante el uso de modelos físicos adecuados a estos sistemas lo que permite desarrollar algoritmos de Soft-Computing, como sistemas de control efectivos con optimización multiobjetivo, que mejoren la eficiencia energética de los edificios. Por último, la tercera contribución propone un modelo de Deep Learning, basado en redes Long Short-Term Memory (LSTM) que abordan series temporales, para el pronóstico del consumo energético diario de los sistemas de climatización de los edificios, lo que permitiría mejorar la eficiencia y sostenibilidad del edificio. Este modelo incorpora factores como las horas de trabajo, las actividades del edificio, el clima, temperatura interior del edificio, entre otros.
Por otro lado, en la dimensión de la Smart Health, se han adicionado dos contribuciones científicas que muestran los resultados obtenidos de la investigación realizada. En la primera contribución se presentan dos plataformas de eHealth diseñadas y desarrolladas para dotarlas de una funcionalidad de ubicuidad e incorporando servicios avanzados mediante técnicas de aprendizaje automático e interoperabilidad, con la finalidad de mejorar la calidad de vida de los pacientes en cuidados paliativos y de sus familiares, así como ayudar a la toma de decisiones inteligentes mediante la estimación del riesgo de síndrome de Down. Mientras que, la segunda contribución en esta dimensión de la Smart Health propone un modelo de Machine Learning con capacidad para descubrir y aprender los patrones presentes en los datos para la predicción de la hipotensión en pacientes que reciben tratamiento de hemodiálisis. Para lograr esto, se utilizó un novedoso conjunto de datos en el que se unifican las variables de dos bases de datos bien diferenciadas (datos clínicos y analíticos). Todo ello proviene de la gestión de una cantidad ingente de datos (big data) obtenidos por los servicios hospitalarios automatizados tanto de las pruebas analíticas como de los equipos de diálisis. Esta aplicación de eHealth permite la toma de decisiones ante la predicción, al inicio de la sesión de hemodiálisis, de aparición de un episodio de hipotensión.
- English
This doctoral thesis aims to facilitate intelligent decision-making aimed at the main actors within the key dimensions of the digital society through the development of advanced services. For this, the concepts of Smart City, Soft-Computing and Service-Oriented Software Architectures favor the introduction of the necessary technologies for the development of flexible, scalable and quality services, in order to improve social welfare and environmental sustainability.
The results obtained throughout the research work carried out and that gives rise to this thesis, have been disseminated in the international scientific field through five significant contributions published both in journals and scientific congresses of great prestige, which make up the memory by compendium of the doctoral thesis that is exposed. This research focused on two key dimensions of the Smart City: Smart Energy and Smart Health.
In this sense, in the dimension of Smart Energy, three significant contributions have been incorporated. The first is an exhaustive review of the scientific literature, in which advanced architectures oriented to intelligent services are identified and analyzed in the context of improving energy efficiency to support decision-making regarding the optimal operation and/or behavior of energy systems in buildings. The second contribution proposes the simulation of the behavior and operations of different heating, ventilation and air conditioning (HVAC) systems of a particular building through the use of physical models suitable to these systems which allows the development of Soft-Computing algorithms, as effective control systems with multi-objective optimization, that improve the energy efficiency of buildings. Finally, the third contribution proposes a Deep Learning model, based on Long Short-Term Memory (LSTM) networks that address time series, for the forecast of the daily energy consumption of the air conditioning systems of buildings, which would improve the efficiency and sustainability of the building. This model incorporates factors such as working hours, building activities, climate, interior temperature of the building, among others.
On the other hand, in the dimension of Smart Health, two scientific contributions have been added that show the results obtained from the research carried out. The first contribution presents two eHealth platforms designed and developed to provide them with ubiquity functionality and incorporating advanced services through machine learning and interoperability techniques, in order to improve the quality of life of patients in palliative care and their families, as well as help intelligent decision-making by estimating the risk of Down syndrome. Meanwhile, the second contribution in this dimension of Smart Health proposes a Machine Learning model with the ability to discover and learn the patterns present in the data for the prediction of hypotension in patients receiving hemodialysis treatment. To achieve this, a novel dataset was used in which the variables of two well-differentiated databases (clinical and analytical data) are unified. All this comes from the management of a huge amount of data (big data) obtained by automated hospital services from both analytical tests and dialysis equipment. This eHealth application allows decision-making before the prediction, at the beginning of the hemodialysis session, of the appearance of an episode of hypotension.
- español
