Untitled - Universidad de Granada

Actas del X Congreso Español
sobre Metaheurísticas,
Algoritmos Evolutivos y Bioinspirados
MAEB 2015
Editadas por:
Francisco Chávez de la O
Rafael M. Luque Baena
Francisco Luna
Francisco Fernández de Vega
Mérida - Almendralejo
4, 5 y 6 de febrero de 2015
Edita:
Francisco Chávez de la O, Rafael M. Luque-Baena, Francisco Luna, Francisco Fernández de Vega
Centro Universitario de Mérida
Universidad de Extremadura
Derechos reservados
c Los autores
Diseño de cubierta: Cayetano Cruz García
ISBN: 978-84-697-2150-6
iv
Comité Organizador
Cayetano Cruz García
Universidad de Extremadura
Josefa Díaz Álvarez
Universidad de Extremadura
Francisco Chávez de la O
Universidad de Extremadura
Francisco Fernández de Vega
Universidad de Extremadura
Francisco Luna
Universidad de Extremadura
Rafael M. Luque-Baena
Universidad de Extremadura
v
Comité Director
Enrique Alba
Universidad de Málaga
Abraham Duarte
Universidad Rey Juan Carlos
Francisco Fernández de Vega
Universidad de Extremadura
José Antonio Gámez
Universidad de Castilla-La Mancha
Francisco Herrera
Universidad de Granada
J. Ignacio Hidalgo
Universidad Complutense de Madrid
César Hervás
Universidad de Cordoba
Rafael Martí
Universidad de Valencia
Juan Julián Merelo
Universidad de Granada
José A. Moreno
Universidad de La Laguna
Luciano Sánchez
Universidad de Oviedo
vii
Comité de Programa
Jesús Aguilar, Universidad Pablo de Olavide
Enrique Alba, Universidad de Málaga
Carlos Andrés Romano, U. Politécnica de Valencia
Ada Álvarez, Universidad Autónoma de Nuevo León
Ramón Álvarez-Valdés, Universidad de Valencia
Lourdes Araujo, Universidad Nacional a Distancia
Jaume Bacardit, University of Nottingham
Julio R. Banga, CSIC
Joaquín Bautista, Universidad Politécnica de Cataluña
José Manuel Benítez, Universidad de Granada
Christian Blum, Universidad Politécnica de Cataluña
Rafael Caballero, Universidad de Málaga
Vicente Campos, Universitat de València
Jorge Casillas, Universidad de Granada
Pedro A. Castillo Valdivieso, Universidad de Granada
Francisco Chicano, Universidad de Málaga
Francisco Chávez, Universidad de Extremadura
Carlos A. Coello Coello, CINVESTAV - IPN
Ángel Corberán, Universidad de Valencia
Oscar Cordón, Universidad de Granada
Carlos Cotta, Universidad de Málaga
Antonio Córdoba, Universidad de Sevilla
Bernabé Dorronsoro, Universidad de Luxemburgo
Abraham Duarte, Universidad Rey Juan Carlos
Richard Duro, Universidad da Coruña
Adenso Díaz, Universidad de Oviedo
José Egea, Universidad Politécnica de Cartagena
Francisco Javier Elorza, U. Politécnica de Madrid
Antonio J. Fernández, Universidad de Málaga
Francisco Fernández, Universidad de Extremadura
Miguel Frade, Instituto Politécnico de Leiria
Mario Garcia, Instituto Politécnico de Tijuana
Maribel García Arenas, Universidad de Granada
Eduardo García Pardo, Universidad Rey Juan Carlos
Carlos García, Universidad de Córdoba
Nicolás García, Universidad de Córdoba
Salvador García, Universidad de Jaén
Raúl Giraldez, Universidad Pablo de Olavide
José Luís González-Velarde, Inst. Tec. de Monterrey
Antonio González, Universidad de Granada
Pedro González, Universidad de Jaén
José Antonio Gutiérrez, Universidad de Córdoba
José Antonio Gámez, U. de Castilla-La Mancha
Juan A. Gómez Pulido, Universidad de Extremadura
Francisco Herrera, Universidad de Granada
Cesar Hervás, Universidad de Córdoba
José Ignacio Hidalgo, U. Complutense de Madrid
María José del Jesús, Universidad de Jaén
Angel A. Juan, Universitat Oberta de Catalunya
Manuel Laguna, Universidad de Colorado
Dario Landa Silva, University of Nottingham
Helena Ramalhinho Lourenco, U. Pompeu Fabra
José Antonio Lozano, Universidad del País Vasco
Manuel Lozano, Universidad de Granada
Francisco Luna, Universidad de Málaga
Gabriel J. Luque, Universidad de Málaga
Rafael M. Luque-Baena, Universidad de Extremadura
Luís Magdalena, European Centre for Soft Computing
Rafael Martí, Universitat de València
Francisco Martínez, Universidad de Córdoba
Belén Melián, Universidad de La Laguna
Alexander Mendiburu, Univ. del País Vasco
Julián Molina, Universidad de Málaga
J. Marcos Moreno, Universidad de La Laguna
José A. Moreno, Universidad de La Laguna
Antonio J. Nebro, Universidad de Málaga
Julio Ortega, Universidad de Granada
Domingo Ortiz, Universidad de Córdoba
Luis de la Ossa, Universidad de Castilla-La Mancha
José Otero, Universidad de Oviedo
Joaquín Pacheco, Universidad de Burgos
Juan J. Pantrigo, Universidad Rey Juan Carlos
Francisco Parreño, Universidad de Castilla-La Mancha
David Pelta, Universidad de Granada
Antonio Peregrín, Universidad de Huelva
José Miguel Puerta, U. de Castilla-La Mancha
Cynthia Pérez, Tecnológico de Sinaloa
M. Elena Pérez, Universidad de Valladolid
Juan R. Rabuñal, Universidad da Coruña
Ignacio Requena, Universidad de Granada
José Riquelme, Universidad de Sevilla
Jose Luís Risco-Martín, U. Complutense de Madrid
Víctor Rivas, Universidad de Jaén
Rubén Ruiz, Universidad Politécnica de Valencia
Roger Ríos, Universidad Autónoma de Nuevo León
Sancho Salcedo, Universidad de Alcalá
Roberto Santana, Universidad Politécnica de Madrid
Antonio Sanz Montemayor, U. Rey Juan Carlos
Thomas Stützle, Université Libre de Bruxelles
Yago Sáez, Universidad Carlos III de Madrid
Ana María Sánchez, Universidad de Granada
Luciano Sánchez, Universidad de Oviedo
Leonardo Trujillo, Instituto Tecnológico de Tijuana
Ángel Udías, Universidad Rey Juan Carlos
Miguel A. Vega Rodríguez, U. de Extremadura
Sebastián Ventura, Universidad de Córdoba
José Luís Verdegay, Universidad de Granada
Gabriel Villa, Universidad de Sevilla
Pedro Villar, Universidad de Granada
Juan Villegas, Universidad Autónoma Metropolitana
Gabriel Winter, U. de las Palmas de Gran Canaria
Amelia Zafra, Universidad de Córdoba
ix
Índice General
Sesión general
Planificación de celdas de reporte con el algoritmo SPEA2
Víctor Berrocal-Plaza, Miguel A. Vega-Rodríguez, Juan M. Sánchez-Pérez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1
Algoritmo Genético con Diversificación Voraz y Equilibrio entre Exploración y Explotación
Andrés Herrera-Poyatos, Francisco Herrera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9
Introducing Mixtures of Generalized Mallows in Estimation of Distribution Algorithms
Josian Santamaría, Josu Ceberio, Alexander Mendiburu, Roberto Santana, José A. Lozano . . . . . . . . . . . . . . . . . . . . 19
Un Algoritmo Evolutivo para la Reducción de Tiempos de Viaje y Emisiones Utilizando Paneles
LED
Daniel H. Stolfi, Enrique Alba . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Algoritmo memético basado en regiones con archivo externo para optimización multimodal
Benjamin Lacroix, Daniel Molina, Francisco Herrera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
El problema de los cortafuegos. Resultados con métodos heurísticos y con programación lineal
entera
Carlos García-Martínez, Christian Blum, Francisco Javier Rodríguez, Manuel Lozano . . . . . . . . . . . . . . . . . . . . . . . . . 43
Estudio preliminar sobre visualización y clasificación de la calidad de la emisión de sonido en el
Clarinete
Francisco Fernández de Vega, Francisco Chávez de La O, Carlos M. Fernandes, Antonio Mora, J.J. Merelo . . . . 51
Generación de Secuencias de Pruebas Funcionales con Algoritmos Bio-inspirados
Javier Ferrer, Peter M. Kruse, Francisco Chicano, Enrique Alba . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
Ajuste Probabilístico de Modelos de Glucosa obtenidos mediante Gramáticas Evolutivas
J. Ignacio Hidalgo, Rafael Villanueva, José Manuel Colmenar, José L. Risco-Martín, Esther Maqueda, Juan
Carlos Cortés, Almudena Sánchez, Marta Botella, José Antonio Rubio, Juan Lanchares, Óscar Garnica, Alfredo
Cuesta, Francisco Santonja, Iván Contreras, José Manuel Velasco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
Una Metaheurística Multiarranque para el Problema de la Partición Entera Común Mínima
Manuel Lozano, Francisco Javier Rodríguez, Carlos García-Martínez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
Beam Search para la búsqueda de caminos en redes complejas con entidades semánticas
Francisco Vélez, Enrique Herrera-Viedma, Óscar Cordón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
Registrado evolutivo de fragmentos craneales en 3D mediante Scatter Search
Enrique Bermejo, Alejandro León, Sergio Damas, Óscar Cordón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
A Comparison of Estimation of Distribution Algorithms for the Linear Ordering Problem
Josu Ceberio, Alexander Mendiburu, José A. Lozano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
xiii
Algoritmo de aprendizaje de redes bayesianas basado en algoritmos de colonias de hormigas y
modelos sustitutos con estructura de árbol
Juan Ignacio Alonso-Barba, Luis de La Ossa, José A. Gámez, José Miguel Puerta . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
Generación de reglas difusas tipo TSK-1 basada en el principio apriori derivando el sistema de
reglas mediante búsqueda local
Javier Cózar, Luis de la Ossa, José A. Gámez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
Modelo de Reglas de Asociación para el Diagnóstico de Prestaciones en el Servicio Público de
Empleo Estatal
José Antonio Sánchez, José M. Luna, Sebastián Ventura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
Algoritmos Heurísticos al Problema de Máxima Diversidad de Mínima Suma
Anna Martínez Gavara, Vicente Campos, Manuel Laguna, Rafael Martí . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
Un procedimiento basado en GRASP para un problema de asignación de equipos médicos de
diagnóstico en una red de hospitales públicos
Rodolfo Mendoza Gómez, Roger Z. Ríos Mercado, Karla B. Valenzuela Ocaña . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
Un método multi-arranque aleatorizado para un problema de diseño de una red de caminos y
ubicación de maquinaria y patios forestales con consideraciones ambientales
Ana L. González-Estrada, Roger Z. Ríos Mercado, Óscar A. Aguirre-Calderón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
Análisis del espacio de funciones aditivamente descomponibles para dimensiones pequeñas
José A. Lozano, Iván Sánchez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
Un enfoque multiobjetivo para la planificación multinivel de lotes de trabajos en sistemas distribuidos
Santiago Iturriaga, Bernabé Dorronsoro, Andrei Tchernykh, Sergio Nesmachnow, Pascal Bouvry . . . . . . . . . . . . . . 157
Optimizando el gasto de energía en redes de sensores con la utilización del conformado de haz
Juan Carlos González-Macías, Francisco Luna, Rafael M. Luque-Baena, Juan F. Valenzuela-Valdés, Pablo Padilla
165
Estudio preliminar del rendimiento de familias de algoritmos multiobjetivo en diseño arquitectónico
Aurora Ramírez, José-Raúl Romero, Sebastián Ventura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
Predicción a muy corto plazo de series temporales de volumen de tráfico rodado mediante coevolución de RBFNs
Víctor Rivas, Elisabet Parras-Gutiérrez, Antonio Fernández Ares, Pedro A. Castillo, Pedro García-Fernández,
Maribel García Arenas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
Implementación de algoritmos meméticos con capacidad de auto-generación sobre CouchBD
Manuel García García, Mariela Nogueira, Carlos Cotta Porras, Antonio J. Fernández-Leiva, J.J. Merelo . . . . . . 189
SIPESCA-B: presentando un benchmark de series temporales de datos reales para la predicción
del tráfico
Pedro A. Castillo, Antonio Fernández Ares, Maribel García Arenas, Antonio Mora, Pablo García Sánchez, Víctor
Rivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
Interpolación espacial para la predicción de la radiación solar mediante gradient tree boosting
Ricardo Aler, José M. Valls, Inés M. Galván . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
Un algoritmo de colonias de abejas artificiales para el problema de agrupación de máxima diversidad
Francisco Javier Rodríguez Díaz, Manuel Lozano, Carlos García-Martínez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211
Algoritmo evolutivo para optimizar ensembles de clasificadores multi-etiqueta
José M. Moyano, Eva Gibaja, Alberto Cano, José M. Luna, Sebastián Ventura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
xiv
Optimización de la deconvolución de perfiles de difracción mediante algoritmos evolutivos
Sidolina Pereira Dos Santos, Juan Antonio Gómez Pulido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
Optimización Multi-objetivo del Consumo de Energía y Tiempo de Ejecución en una Memoria
Cache de primer nivel para Sistemas Empotrados
Josefa Díaz-Álvarez, José Manuel Colmenar, José L. Risco-Martín, Juan Lanchares . . . . . . . . . . . . . . . . . . . . . . . . . . . 233
Sesión especial: Metaheurísticas en Empresas y Producción
Organizadores: Joaquín Bautista, Óscar Cordón, Sergio Damas
Aplicación de metaheurísticas en la optimización de pasos superiores de carreteras
José V. Martí, Víctor Yepes, Tatiana García-Segura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241
Algoritmos GRASP para el equilibrado de líneas con riesgo ergonómico mínimo
Joaquín Bautista, Rocío Alfaro, Cristina Batalla, Sara Llovera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
Aplicación de Técnicas de Inteligencia Computacional a un Sistema de Ciberseguridad Corporativa
Paloma de Las Cuevas, Antonio Mora, J.J. Merelo, Pedro A. Castillo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
A Refined GRASP Algorithm for the Extended Car Sequencing Problem
Elvira Laković, Manuel Chica, Sergio Damas, Joaquín Bautista, Óscar Cordón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265
Sesión especial: Metaheurísticas en logística portuaria y problemas afines
Organizadores: Belén Melián, J. Marcos Moreno
Un Problema Real de Planificación de Rutas de Vehículos con Intermodalidad
Jesica de Armas, Belén Melián, Julio Brito, Eduardo Lalla Ruiz, Christopher Expósito Izquierdo . . . . . . . . . . . . . . 273
Búsqueda por Entornos Variables para el Problema de Asignación de Atraques
Eduardo Lalla Ruiz, Christopher Expósito Izquierdo, Jesica de Armas, Belén Melián, J. Marcos Moreno-Vega . . 281
Modelos y algoritmos para el problema de la asignación de atraques en una terminal de contenedores
Juan Francisco Correcher, Pablo Froján, Ramón Álvarez-Valdés, Gerasimos Koulouris, José Manuel Tamarit . . 289
Un GRASP reactivo para el problema de planificación de la estiba
Francisco Parreño, Ramón Álvarez-Valdés, Dario Pacino . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 297
Planificación de rutas para productos perecederos utilizando un híbrido GRAP-VNS
Julio Brito, Airam Expósito, José Andrés Moreno Pérez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 305
Modelado del transbordo de contenedores en una terminal marítima de contenedores
Christopher Expósito Izquierdo, Jesica de Armas, Eduardo Lalla Ruiz, Belén Melián, J. Marcos Moreno-Vega . . 313
Sesión especial: Metodologías y Herramientas Software para la Investigación
sobre Metaheurísticas
Organizadores: Francisco Chicano, Gabriel Luque
Using the Page Trend Test to Analyze the Convergence of Evolutionary Algorithms
Joaquín Derrac, Sheldon Hui, Ponnuthurai Nagaratnam Suganthan, Salvador García, Francisco Herrera . . . . . . . 321
xv
Teoría del valor extremo como criterio de parada en la optimización heurística de puentes
Víctor Yepes, José V. Martí . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 329
Descomposición en Landscapes Elementales del Problema de Diseño de Redes de Radio con Aplicaciones
Francisco Chicano, Franco Arito, Enrique Alba . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 337
Optimización Multi-objetivo Basada en Preferencias para la Planificación de Proyectos Software
Rubén Saborido, Francisco Chicano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 345
Describiendo experimentos de optimización con MOEDL
José Antonio Parejo Maestre, Sergio Segura, Antonio Ruiz-Cortés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 353
Optimización de Problemas Multiobjetivo de Ingeniería Civil con jMetal
Antonio J. Nebro, Gustavo R. Zavala, Juan J. Durillo, Francisco Luna . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 361
Sesión especial: Metaheurísticas, Algoritmos Evolutivos y Bioinspirados en Bioinformática
Organizadores: Miguel A. Vega-Rodríguez, Sergio Santander-Jiménez, Álvaro
Rubio-Largo, David L. González-Álvarez
Análisis Comparativo de Implementaciones del Algoritmo Multiobjective Artificial Bee Colony
para Reconstrucción Filogenética
Sergio Santander-Jiménez, Miguel A. Vega-Rodríguez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 369
Docking Inter/Intra-Molecular Mediante Metaheurísticas Multi-objetivo
Esteban López-Camacho, María Jesús García Godoy, José García-Nieto, Antonio J. Nebro, José F. Aldana
Montes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 377
Ruteo de Micro-fluidos en Biochips Digitales: Un enfoque basado en Colonia de Hormigas
Carlos Mendoza, Eduardo Szaran, Diego Pedro Pinto Roa, Carlos Brizuela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 385
Sesión especial: Búsqueda dispersa y re-encadenamiento de trayectorias
Organizadores: Manuel Laguna, Rafael Martí
Búsqueda dispersa para un problema de localización de concentradores
Rafael Martí, Ángel Corberán, Juanjo Peiró . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 393
Búsqueda dispersa aplicada al problema del paso de banda
Jesús Sánchez-Oro, Abraham Duarte, Rafael Martí, Manuel Laguna . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 401
Sesión especial: Simheurísticas en Logística, Transporte, y Producción
Organizadores: Ángel A. Juan, Javier Faulin, Helena Ramalhinho Lourenço
Técnicas estadísticas aplicadas a la selección de valores para parámetros de metaheurísticas
Laura Calvet, Ángel A. Juan, Carles Serrat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 409
Tamaño y Composición de Flotas de Vehículos en Problemas de Rutas con Retorno: Un Método
Heurístico con Aleatoriedad Sesgada
Javier Belloso, Ángel A. Juan, Javier Faulín . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 417
xvi
Un algoritmo basado en aleatorización sesgada para la recolección eficiente de residuos en ciudades
inteligentes
Aljoscha Gruler, Christian Fikar, Ángel A. Juan, Patrick Hirsch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 423
Resolviendo el problema de rutas de vehículos con criterio medioambiental mediante una búsqueda
tabú
Sergio Úbeda, Javier Faulin, Adrián Serrano, Francisco Arcelus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 429
Network design considering risk aversion
Luis Cadarso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 437
Uso combinado de métodos exactos con heurística aleatorizada para la programación y enrutamiento de servicios médicos domiciliarios
Carlos Quintero-Araujo, Andrés F. Torres-Ramos, Edgar H. Alfonso-Lizarazo, Lorena S. Reyes-Rubiano, Ángel
A. Juan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 441
Sesión especial: Desarrollo de videojuegos y software de entretenimiento
Organizadores: Antonio J. Fernández, Antonio Mora, Raúl Lara
Diseño de un Simulador de Bajo Coste para Vehículos Aéreos no Tripulados
Víctor Rodríguez-Fernández, Héctor Menéndez, David Camacho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 447
Desarrollo de un Bot Evolutivo Interactivo para Unreal Tournament 2004
José Luis Jiménez López, Antonio J. Fernández-Leiva, Antonio Mora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 455
Optimización en videojuegos: retos para la comunidad científica
Raúl Lara Cabrera, Mariela Nogueira, Carlos Cotta, Antonio J. Fernández-Leiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 463
Diseño de bots competitivos para un juego de estrategia en tiempo real usando programación
genética: análisis de funciones de fitness
Antonio Fernández Ares, Pablo García Sánchez, Antonio Mora, Pedro A. Castillo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 471
Videojuegos Serios en Educación Infantil y Primaria
Rafael Prieto de Lope, Daniel Díaz Salas, Jahiel Jerónimo, Nuria Medina Medina, Carlos García Cruz . . . . . . . . 479
Diseño de la experimentación para evaluar la efectividad de Behavior Bricks
Ismael Sagredo-Olivenza, Pedro Pablo Gómez-Martín, Marco Antonio Gómez-Martín, Pedro A. González-Calero 487
RPG Quest Generation using a Search-based Approach and Partial Ordering Planning
Álvaro Gutiérrez, José M. Peña, Luis Peña, Antón Planells . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 495
Sesión especial: Algoritmos paralelos
Organizadores: Enrique Alba, Francisco Luna
Comunicación eficiente entre vehículos aplicando un algoritmo multi-objetivo paralelo
Jamal Toutouh, Enrique Alba . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 503
Integrando ECJ con Hadoop
Francisco Chávez de La O, Daniel Lanza, Francisco Fernández de Vega, Gustavo Olague, Leonardo Trujillo . . . . 511
Planificación multiobjetivo de viajes compartidos en taxis utilizando un micro algoritmo evolutivo
paralelo
Renzo Massobrio, Óscar Gabriel Fagúndez de Los Reyes, Sergio Nesmachnow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
xvii
Un SMS-EMOA paralelo para resolver un problema real de ingeniería civil
Francisco Luna, Gustavo R. Zavala, Antonio J. Nebro, Juan J. Durillo, Carlos A. Coello Coello . . . . . . . . . . . . . . . 527
Sesión especial: Algoritmos multiobjetivo
Organizadores: Enrique Alba, Mariano Luque
Un Nuevo Algoritmo Evolutivo en Programación Multiobjetivo para Aproximar el Frente Óptimo
de Pareto
Mariano Luque, Ana B. Ruiz, Rubén Saborido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 535
Paginación gaussiana en áreas de registro. Análisis de rendimiento multi-objetivo
Víctor Berrocal-Plaza, Miguel A. Vega-Rodríguez, Juan M. Sánchez-Pérez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 543
Cooperación paralela para selección multiobjetivo de características en problemas de dimensión
elevada
Dragi Kimovski, Julio Ortega, Andrés Ortiz, Raúl Baños . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 551
Aplicación de algoritmos evolutivos multiobjetivo al diseño de circuitos integrados: criterios de
detención
Elisenda Roca, Rafael Castro-López, Francisco V. Fernández . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 559
Reconocimiento de punto láser en sistemas de interacción mediante algoritmos multiobjetivos
Francisco Chávez de La O, Eddie Clemente, Daniel Hernández, Francisco Fernández de Vega, Gustavo Olague . 567
Algoritmos evolutivos para un modelo multi-objetivo de selección de carteras con restricción de
cardinalidad
Enriqueta Vercher, José D. Bermúdez, Rubén Saborido, Ana B. Ruiz, Mariano Luque . . . . . . . . . . . . . . . . . . . . . . . . . 575
Sesión especial: Metaheurísticas y soft computing en contextos complejos
Organizadores: José Luis Verdegay, David A. Pelta
Criterios de inversión y evaluación de la responsabilidad social mediante Soft Computing
Clara Calvo, Carlos Ivorra, Vicente Liern, Blanca Pérez-Gladish . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 581
RankFSP: Procedimiento de Búsqueda del Pescador aplicado al Aprendizaje de la Ordenación en
Recuperación de Información
Óscar Alejo, Juan M. Fernández-Luna, Juan F. Huete . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 589
Una herramienta para la experimentación y análisis estadístico en ambientes dinámicos
Pavel Novoa-Hernández, Carlos Cruz Corona, David Pelta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 597
Comparación de algoritmos metaheurísticos en la resolución del problema de planificación de rutas
de camiones y remolques con restricciones difusas
Isis Torres Pérez, Alejandro Rosete Suárez, Carlos Cruz Corona, José Luis Verdegay . . . . . . . . . . . . . . . . . . . . . . . . . . 605
Comparativa de algoritmos de inserción para un DVRPTW
Alondra De Santiago, Belén Melián, Ada Álvarez, Francisco Ángel-Bello . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 613
Optimización de Sistemas Basados en Reglas Difusas para la predicción de congestión a corto plazo
Pedro López, Enrique Onieva, Asier Perallos, Laura Arjona, Eneko Osaba . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 621
xviii
Sesión especial: Búsqueda de Vecindad Variable
Organizadores: Abraham Duarte, Eduardo G. Pardo
BVNS para el problema del bosque generador k -etiquetado
Sergio Consoli, Nenad Mladenovic, José Andrés Moreno Pérez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 629
Búsqueda de Vecindad Variable Básica para la minimización del tiempo máximo en el Problema
del Empaquetamiento de Pedidos
Borja Menéndez Moreno, Eduardo García Pardo, Abraham Duarte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 637
Mejorando la eficiencia de sistemas embebidos utilizando estrategias paralelas de búsqueda de
vecindad variable
Jesús Sánchez-Oro, Abraham Duarte, Rafael Martí . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 645
Variantes de VNS para el Problema de Dispersión Max-Mean
Francisco Gortázar, Rubén Carrasco, An Thanh Pham, Micael Gallego, Abraham Duarte . . . . . . . . . . . . . . . . . . . . . . 653
Búsqueda de vecindad variable para problemas de programación entera no linea
José A. Egea, Julio Sáez-Rodríguez, Julio R. Banga . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 659
Sesión especial: Algoritmos evolutivos y creatividad
Organizadores: Francisco Fernández de Vega
Diseñando Problemas Sintéticos de Clasificación con Superficie de Aptitud Deceptiva
Enrique Naredo, Leonardo Trujillo, Francisco Fernández de Vega, Sara Silva, Pierrick Legrand . . . . . . . . . . . . . . . . 667
Incluyendo el elitismo en el modelo creativo mediante algoritmos evolutivos desconectados
Lilian Navarro Moreno, Francisco Fernández de Vega, Cayetano Cruz García . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 675
Sesión especial: Análisis y reconocimiento de patrones basado en modelos y
algoritmos bio-inspirados
Organizadores: Leonardo Trujillo, Gustavo Olague
Algoritmo Masivamente Paralelo Inspirado en el Modelo de la Corteza Visual Artificial para el
Reconocimiento de Objetos
Benjamín Hernández, Gustavo Olague, Daniel Hernández, Eddie Clemente, Andersen Herrera . . . . . . . . . . . . . . . . . 683
Detección de objetos en imágenes naturales utilizando el paradigma de la programación cerebral
con un enfoque multiobjetivo
Eddie Clemente, Gustavo Olague, Daniel Hernández, José Luis Briseño, José Mercado . . . . . . . . . . . . . . . . . . . . . . . . 691
Algoritmo híbrido de enjambre de luciérnagas y aceptación por umbrales para diseño de vigas
Tatiana García-Segura, Víctor Yepes, José V. Martí, Julián Alcalá . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 699
Modelo Computacional para la Detección de Zonas Reactivas en Concreto Tratado con Acetato
de Uranilo
Cecilia Olague, Gustavo Olague, José Antonio Pérez, Eddie Clemente, Gilberto Wenglas . . . . . . . . . . . . . . . . . . . . . . . 707
Programación Cerebral para el Seguimiento de Objetos Basado en la Atención Visual
Daniel Hernández, Gustavo Olague, Eddie Clemente, José Luis Briseño, Paul Llamas . . . . . . . . . . . . . . . . . . . . . . . . . 715
xix
Sesión especial: Procesamiento de imágenes y vídeo
Organizadores: Enrique Domínguez, Esteban Palomo, Rafael M. Luque-Baena
Selección del espacio de color para video-segmentacion mediante redes neuronales autorganizadas
Rafael M. Luque-Baena, Esteban J. Palomo, Ezequiel López-Rubio, Enrique Dominguez, Francisco Javier LópezRubio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 723
Reconocimiento de rostros a partir de la propia imagen usando técnica CBIR
Cesar Benavides-Alvarez, Juan Villegas-Cortez, Graciela Román-Alonso, Carlos Aviles Cruz . . . . . . . . . . . . . . . . . . 733
Sesión especial: Computación evolutiva y bioinspirada aplicada a problemas de
agrupación y clustering
Organizadores: David Camacho, Sancho Salcedo, Antonio Portilla
Algoritmo K-means adaptativo para clustering basado en grafos
Gema Bello Orgaz, Héctor Menéndez, David Camacho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 741
Análisis de Tendencias Espacio-Temporales de Temperatura en Europa mediante Clusterización
Acoplada a Datos
Mihaela Chidean, Jesús Muñoz-Bulnes, Eduardo Del Arco, Julio Ramiro-Bargueno, Antonio Caamaño-Fernández,
Sancho Salcedo-Sanz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 749
Índice de autores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 757
xx
X Congreso Español sobre Metaheurísticas, Algoritmos Evolutivos y Bioinspirados (MAEB 2015)
Predicci´on a muy corto plazo de series
temporales de volumen de tr´afico rodado
mediante co-evoluci´on de RNFBR
V´ıctor M. Rivasa , Elisabet Parras-Guti´erreza , Antonio Fern´andez-Aresb , Pedro A.
Castillob , Pedro Garc´ıa-Fern´andezc , Maribel G. Arenasb
Resumen— La predicci´
on del estado del tr´
afico en
tiempo real y a corto plazo es una necesidad cada vez
m´
as demandada, tanto por conductores como por los
centros de gesti´
on del tr´
afico. Este trabajo presenta una comparativa de la predicci´
on realizada sobre
cuatro series temporales distintas por distintos algoritmos, entre los que se ha incluido un sistema de coevoluci´
on de redes neuronales y conjuntos de retardos. Cada serie temporal recoge el n´
umero de dispositivos Bluetooth detectados en puntos de la red vial,
agrupados por intervalos de 15 minutos, y la predicci´
on se realiza a 15, 30, 45 y 60 minutos con respecto
al u
´ ltimo dato conocido. Los resultados muestran las
posibilidades que ofrece cada m´
etodo en funci´
on del
horizonte a obtener partiendo de los datos medidos
en las u
´ ltimas 24 horas.
Palabras clave— Algoritmos coevolutivos, Predicci´
on
de tr´
afico, Series temporales, Redes Neuronales de
Funciones Base Radiales
´n
I. Introduccio
La predicci´on en tiempo real del tr´afico de veh´ıculos por carretera o ciudad se ha convertido en una
necesidad cada vez m´
as demandada tanto por las
administraciones como por los propios usuarios [1].
Por este motivo, cada vez existen m´as mecanismos
que permiten medir el volumen del tr´
afico, generando una vasta cantidad de informaci´
on pendiente de
ser debidamente tratada y analizada para obtener
predicciones cada vez m´
as fiables. Actualmente, la
posibilidad de obtener datos en tiempo real sobre
volumen de tr´
afico o velocidades medias en numerosos puntos de las redes viales es ya un hecho; sin
embargo, la toma de decisiones acerca de las medidas
a tomar y la predicci´
on de en qu´e modo aumentar´
an
o disminuir´
an ambas variables sigue siendo una tarea que llevan a cabo tanto los gestores de las salas
de control de tr´
afico como los propios conductores.
Durante los tres u
´ltimos a˜
nos, gracias al proyecto
SIPESCA1 [2], se ha desarrollado y puesto en marcha una nueva t´ecnica para estimar el n´
umero de
veh´ıculos que circulan por una v´ıa, as´ı como su velocidad. En concreto, se han ubicado en distintos
puntos de Andaluc´ıa (tanto en vias urbanas como
en autov´ıa) unos sensores capaces de detectar, ala Departamento de Inform´
atica. Escuela Polit´
ecnica Superior de Ja´
en. Univ. de Ja´
en E-mail: [email protected]
b Departamento de Arquitectura y Tecnolog´
ıa de Computadores. Univ. de Granada
c Departamento de Electr´
onica y Tecnolog´ıa de Computadores. Univ. de Granada
1 http://sipesca.ugr.es/
181
macenar y transmitir el identificador u
´nico de los
dispositivos Bluetooth de los veh´ıculos que circulan
pr´
oximos a cada sensor. La base de datos que se ha
generado (y que sigue mejor´
andose y ampli´
andose)
es ahora un recurso de enorme valor desde el cual
estamos realizando distintos tipos de estudio, tanto por su capacidad de proporcionar informaci´
on en
tiempo real como por las posibilidades que ofrece
para realizar predicciones.
Partiendo de los datos recopilados por el proyecto
SIPESCA, este trabajo presenta los resultados obtenidos al aplicar distintas m´etricas y m´etodos de
predicci´
on de series temporales, entre ellos el algoritmo co-evolutivo L-Co-R [3]), para la predicci´on
a muy corto plazo de volumen de tr´afico. Concretamente, el trabajo se centra en la predicci´
on a 15
minutos, 30 minutos, 45 minutos y 1 hora. La motivaci´
on para usar concretamente estos tiempos coincide con la indicada por Min y Wynter en [1]: por
un lado, las oficinas de gesti´
on de tr´
afico necesitan
actualizar de forma din´
amica la se˜
nalizaci´
on y mensajes dirigidos a ordenar correctamente el tr´
afico, y
para ello deben basarse en las condiciones previstas
para el tr´
afico en un futuro cercano, no en predicciones hechas con mucha anterioridad y que pueden
estar totalmente obsoletas. Por otro lado, los propios conductores solicitan cada vez m´
as informaci´
on
y predicciones actualizadas en el mismo instante en
que est´
an desarrollando sus movimientos por la red
de carreteras, mostrando poca confianza en las condiciones que exist´ıan cuando planificaron el trayecto.
Uno de los aspectos m´
as innovadores que introducimos en este trabajo es la selecci´
on del conjunto
de valores pasados que utilizaremos para construir
el modelo con el que realizar la predicci´
on. En este
sentido, hemos considerado solamente los datos recopilados en las u
´ltimas 24 horas. Los motivos son
dos: en primer lugar, permite tratar el problema bajo el paradigma correcto de la predicci´on de series
temporales, esto es, utilizar un conjunto de datos
consecutivos para realizar una predicci´
on m´
as o menos diferida en el tiempo2 . En segundo lugar, nos
permite situar un punto de referencia para futuros
trabajos ya planificados en los cuales la construcci´
on
2 Este importante aspecto fue puesto de manifiesto por los
ganadores de la competici´
on de predicci´
on de series temporales realizada en el simposio SICO, integrado dentro del congreso CEDI 2010 realizado en Zaragoza.
Sesión general
del modelo predictor se realizar´
a en dispositivos de
poca capacidad de c´
alculo y almacenamiento, que
cooperar´
an en un entorno distribuido logrando mejorar las soluciones usando un enfoque colaborativo.
Estos trabajos se enmarcan dentro de una l´ınea de
investigaci´on ya iniciada en Rivas et al. [4], y permitir´
an la descentralizaci´
on del proceso de creaci´
on
de los modelos predictores al mismo tiempo que la
difusi´
on de los mismos a los dispositivos interesados
en explotarlos.
El resto del trabajo se compone de los siguientes
apartados: la secci´
on II describe el estado del arte
del problema tratado; la secci´
on III presenta tanto
los datos que se han utilizado, como los algoritmos
empleados y las medidas de error que se permiten
comparar la bondad de los mismos; a continuaci´
on,
la secci´on IV presenta los resultados que se han obtenido, utilizando para ello un resumen del n´
umero de
veces que cada algoritmo ha hallado el modelo que
devolv´ıa el menor error. Finalmente, en la secci´
on V
se destacan las principales conclusiones obtenidas.
II. Estado del arte
Existen numerosos ejemplos en la literatura en los
que el problema de predicci´
on de tr´
afico a 15 minutos ha sido tratado. En la mayor parte de ellos, el
m´etodo utilizado ha sido ARIMA [5], como por ejemplo en Smith et al. [6] donde se compara la t´ecnica
del vecino m´
as cercano con los modelos autorregresivos. Un trabajo m´
as reciente es el correspondiente
a Chandra y Al-Deek [7] que, como el anterior est´
a
centrado en los modelos ARIMA; a su vez ambos
trabajos son similares al realizado por Min y Wynter [1] en cuanto a la metodolog´ıa utilizada, basada
en modelo de autorregresi´
on espacio-temporal multivariable (MSTAR). En este tipo de algoritmos, cada
v´ıa se modela como un grafo en el que cada una de las
aristas proporciona informaci´
on acerca de la cantidad de veh´ıculos que circulan, as´ı como la direcci´
on
de los mismos y la velocidad a la que se mueven.
Para mejorar la predicci´on del modelo, los autores
en [1] incorporan informaci´
on adicional relacionada,
fundamentalmente, con las condiciones meteorol´ogicas de modo que integran un modelo autorregresivo
con la medici´
on de una o m´
as variables ex´
ogenas. En
este sentido, los anteriores trabajos describen estudios similares a los llevados a cabo por Kmarianakis
y Prastacos [8], en el que se lleva a cabo una predicci´
on basada en correlaciones espacio-temporales. En
todo caso, los anteriores m´etodos suelen ser muy dependientes de las caracter´ısticas concretas de la v´ıa
sobre la que se aplican (como por ejemplo la pendiente de la misma), por lo que suelen necesitar de
un reajuste del numeroso conjunto de par´
ametros
que incorporan.
En lo relativo a las redes neuronales, desde hace
una d´ecada, es posible encontrar trabajos en los que
distintos tipos de ellas han sido empleados para predecir problemas similares, tales como los trabajos de
182
Van Lint et al. [9], Vlahogianni et al. [10] y Zheng et
al. [11]. Este u
´ltimo, realiza un enfoque muy similar
al nuestro, capturando los datos en zonas puntuales
y tratando de predecir el volumen de tr´afico de los
15 minutos que siguen al u
´ltimo dato registrado. No
obstante, los autores excluyen de la captura de datos las horas correspondientes a la noche, as´ı como
los fines de semana, por lo que, de alg´
un modo, la
informaci´on analizada est´a sesgada.
Finalmente, trabajos anteriores como el de Parras
et al. [12], introdujeron el modelado de series temporales mediante algoritmos co-evolutivos dentro del
campo del tr´
afico de veh´ıculos. En el citado trabajo, se estudiaba la predicci´on del volumen diario de
veh´ıculos, utilizando para ello series temporales que
agregaban datos por intervalos de 24 horas y utilizando un historial de datos recopilados durante 7
semanas. En el nuevo estudio que proponemos, se
realiza una predicci´on m´as realista, con un horizonte m´
as cercano con miras a la futura implantaci´
on de
un sistema descentralizado de distribuci´
on de datos
registrados y c´omputo y comunicaci´on de predicciones realizadas por dispositivos m´
oviles.
III. Metodolog´ıa experimental
Los experimentos que hemos realizado se han centrado en la predicci´
on del n´
umero de veh´ıculos que
iban a pasar a las 07:00, 07:15, 07:30 y 07:45 del jueves, 24 de enero de 2013, por 5 sensores o nodos distintos. Los sensores est´
an etiquetados como ”347”,
”721”, ”419”, ”420”, ”440”. El d´ıa de la semana y
horas escogidas est´
an basados en los utilizados en
[1]. Para realizar esta predicci´on, se han aportado a
los distintos algoritmos empleados los datos recogidos durante las 23 horas anteriores, agrupados por
intervalos de 15 minutos. De esta forma, el conjunto
de entrenamiento estaba formado por 92 datos (esto
es, 4 datos por cada hora y por 23 horas), y el de
test por 4 datos (ver figs. 1 a 5). Por tanto, dado que
los datos han sido agregados de 15 en 15 minutos, el
conjunto de datos a predecir es el formado por los
cuatro datos correspondientes a los horizontes 1, 2,
3 y 4 de cada una de las cinco series temporales que
hemos creado.
De los cinco algoritmos que hemos utilizado, cuatro de ellos pertenecen al paquete Forecast [13] de la
aplicaci´
on R: ETS (Exponential smoothing state space model), ARIMA, Croston y Theta. Cada uno de
estos algoritmos ha sido ejecutado una vez, sin modificar los par´
ametros establecidos por los autores
como valores por defecto, y han proporcionando las
estimaciones de cada uno de los 4 valores a predecir.
Como quinto algoritmo, proponemos utilizar LCo-R [3], cuyo algoritmo se muestra en la fig 6.
Se trata de un algoritmo co-evolutivo en el que
dos poblaciones evolucionan simult´
aneamente de forma cooperativa. La primera de ellas es una poblaci´
on de redes neuronales de funciones base radiales
(RNFBR), mientras la segunda es una poblaci´
on de
X Congreso Español sobre Metaheurísticas, Algoritmos Evolutivos y Bioinspirados (MAEB 2015)
Fig. 1. Datos de entrenamiento y test agrupados por intervalos de 15 minutos para el nodo 347.
Fig. 2. Datos de entrenamiento y test agrupados por intervalos de 15 minutos para el nodo 721.
retardos (o lags). La coevoluci´
on permite encontrar
la mejor combinaci´on entre red neuronal y conjunto
de retardos a utilizar para predecir los futuros valores de una serie temporal para cualquier horizonte
que se le indique como par´
ametro.
En la actualidad, el algoritmo no est´a paralelizado, por lo que ambas poblaciones evolucionan de forma secuencial: un primer bucle realiza un proceso de
evoluci´
on de las redes que son evaluadas usando el
183
mejor conjunto de retardos hallados hasta ese momento; a continuaci´
on, es el conjunto de retardos
el que es evolucionado durante algunas generaciones
siendo evaluado con la mejor red encontrada hasta el
momento. Ambos ciclos de evoluci´
on (o bucles interiores) se encuentran a su vez dentro de un bucle m´as
general que itera el procedimiento anterior durante
un determinado n´
umero de generaciones totales (bucle exterior).
Sesión general
Fig. 3. Datos de entrenamiento y test agrupados por intervalos de 15 minutos para el nodo 419.
Fig. 4. Datos de entrenamiento y test agrupados por intervalos de 15 minutos para el nodo 420.
Dado que es un algoritmo estoc´astico, cada experimento se ha ejecutado 30 veces y los valores que
mostramos para cada uno de los errores corresponden a la media aritm´etica de los 30 errores obtenidos,
uno por ejecuci´
on. Los par´
ametros con los que se han
ejecutado son los establecidos por defecto para este
algoritmo, esto es:
N´
umero de generaciones por cada evoluci´
on de retardos (bucle interior): 5
N´
umero de generaciones por cada evoluci´
on de redes (bucle interior): 10
N´
umero de individuos de la poblaci´
on de retardos:
50
N´
umero de individuos de la poblaci´
on de redes: 50
N´
umero de generaciones totales (bucle exterior):
Todas las ejecuciones se han realizado en un ordenador con sistema operativo Linux (kernel 3.13.0-
20
184
X Congreso Español sobre Metaheurísticas, Algoritmos Evolutivos y Bioinspirados (MAEB 2015)
Fig. 5. Datos de entrenamiento y test agrupados por intervalos de 15 minutos para el nodo 440.
32), un procesador Intel i7 a 2,8GHz y 6GB de memoria RAM. Adem´
as, el total de las ejecuciones se
han llevado a cabo mientras el ordenador se utilizaba como estaci´
on de trabajo al mismo tiempo que
gestiona un servidor de p´
aginas web que soporta un
bajo n´
umero de accesos. Aunque no describimos los
tiempos de ejecuci´
on, hemos de indicar que el algoritmo m´as costoso en este aspecto, L-Co-R, ha sido
capaz de realizar las 30 ejecuciones en menos de 15
minutos para cada nodo. Por tanto, ser´ıa viable la
explotaci´
on de un servicio que actualizase las previsiones en tiempo real a medida que nuevos datos
fuesen siendo capturados por los sensores.
Finalmente, en relaci´on a la medida de error a
utilizar, incluimos los resultados obtenidos por cada algoritmo para cada nodo y en relaci´
on a cada
uno de los 4 horizontes de predicci´
on. Las medidas
utilizadas son propuestas por [14], donde se indica claramente que toda medida de error posee ventajas e inconvenientes por lo que es necesario evaluar cada m´etodo con varias de ellas para tener una
idea certera de la idoneidad del mismo. Las medidas que hemos utilizado son las 9 siguientes (ecuaciones 1 a 9: error cuadr´
atico medio (MSE), ra´ız
del error cuadr´
atico medio (RMSE), error absoluto medio (MAE), error promedio porcentual (MPE),
error absoluto porcentual medio (MAPE), mediana
del error absoluto (MdAE), mediana del error absoluto porcentual (MdAPE), media sim´etrica del error
absoluto expresado como porcentaje (sMAPE ( %)),
mediana sim´etrica del error absoluto expresado como porcentaje (sMdAPE ( %)).
185
Error cuadr´
atico medio (MSE):
n
M SE =
1X 2
et
n i=1
Ra´ız del error cuadr´
atico medio (RMSE):
v
u n
u1 X
et 2
RM SE = t
n i=1
(1)
(2)
Error absoluto medio (MAE):
M AE = mean(| et |)
(3)
Error promedio porcentual (MPE):
M P E = 100 ⇤
et
Yt
(4)
Error absoluto porcentual medio (MAPE):
M AP E = mean(| pt |)
(5)
Mediana del error absoluto (MdAE):
M dAE = median(| et |)
(6)
Mediana del error abosluto porcentual (MdAPE):
M dAP E = median(| pt |)
(7)
Media sim´etrica del error asoluto expresado como
porcentaje (sMAPE ( %)):
sM AP E = 100mean(2⇤ | Yt
Ft ])/(Yt + Ft ) |) (8)
Sesión general
Elmiinar tendencia
t = 0;
inicializar P lags(t);
inicializar P RNFBR(t);
evaluar individuos en P lags(t);
evaluar individuos en P RNFBR(t);
mientras no se den las condiciones de parada
inicio
t = t+1;
/* Evolucionar poblaci´
on de retardos */
for i=0 to max gen retardos do
inicio
establecer umbral
seleccionar P lags’(t) desde P lags(t);
aplicar operadores gen´eticos a P lags’(t);
/* Evaluar P lags’(t) */
elegir colaboradores en P RNFBR(t);
evaluar individuos de P lags’(t);
reemplazar individuos P lags(t) por P lags’(t);
if umbral < 0
inicio
divergir P lags(t);
fin
fin
/* Evolucionar poblaci´
on de RNFBR */
for i=0 to max gen RNFBR do
inicio
seleccionar P RNFBR’(t) desde P RNFBR(t);
aplicar operadores gen´eticos in P RNFBR’(t);
/* Evaluar P RNFBR’(t) */
elegir colaboradores en P lags(t);
evaluar individuos en P RNFBR’(t);
reemplazar individuos con P RNFBR’(t);
fin
fin
entrenar modelos y seleccionar el mejor
predecir los valores de test con dicho modelo
Deshacer eliminaci´on de tendencia
sobre los dem´
as. A modo de resumen, las Tablas I
y II muestran el n´
umero de medidas para las que
cada algoritmo consigue el menor error. La primera
de ellas (Tabla I) se ha realizado teniendo en cuenta
solo los algoritmos especialmente indicados para el
trabajo con series temporales, esto es, todos menos
el que calcula el valor promedio (meanf); mientras
que la segunda (Tabla II) muestra el resumen de resultados incluyendo tambi´en dicho m´etodo.
Comenzando por la primera tabla resumen (Tabla
I) podemos observar que en general los algoritmos
que en mayor n´
umero de ocasiones consiguen el menor error son L-Co-R y Croston. De hecho, salvo para
el horizonte 2 en el que Croston obtiene los mejores
resultados, L-Co-R resulta ser el algoritmo m´as adecuado, produciendo las predicciones m´
as cercanas a
los valores esperados. De los dem´as algoritmos, ETS
y en ocasiones ARIMA obtienen tambi´en los errores
m´
as peque˜
nos, siendo Theta el algoritmo que sale
peor parado en cualquiera de los horizontes considerados.
No obstante, si consideramos todos los m´etodos
incluyendo el del valor promedio, obtenemos que este u
´ltimo es el que consigue los mejores resultados en
todos los casos (ver Tabla II). En comparaci´
on con
este algoritmo, todos los dem´
as obtienen resultados
que dif´ıcilmente son comparables si exceptuamos el
horizonte 2, para el cual L-Co-R obtiene el menor
valor en 15 de las medidas que se han calculado. En
principio, podr´ıa pensarse que el motivo por el que
el m´etodo del valor promedio ofrece buenos resultados estriba en la predicci´
on a muy corto plazo que
estamos realizando. Sin embargo, se da la circunstancia de que para algunas de las bases de datos, es
precisamente el m´etodo que peor resultados ofrece
cuando se predice el horizonte 1, por lo que no siempre su sencillez ni el hecho de estar prediciendo a
muy corto plazo son garant´ıas de que su uso sea el
m´
as adecuado.
Fig. 6. Algoritmo general de L-Co-R.
V. Conclusiones
Mediana sim´etrica del error absoluto expresado
como porcentaje (sMdAPE):
sM dAP E = 100median(2⇤ | Yt
Ft ])/(Yt + Ft ) |)
(9)
donde Yt es el dato observado en tiempo t =
1, ..., n; Ft es la predicci´
on de Yt ; et es el error de
predicci´
on (i.e. et = Yt Ft ); pt = 100et /Yt es el
et
porcentaje de error y qt =
n
X
1
| Yi Yi 1 |
n 1 i=2
IV. Resultados
Las tablas que recogen los resultados de cada algoritmo para cada nodo, horizonte de predicci´
on y
medida de error est´
an disponibles en la direcci´
on
http://goo.gl/FREoR6; el menor de los valores para cada uno de las medidas de error se ha destacado
186
A partir de los datos recogidos por sensores de dispositivos Bluetooh, se han desarrollado un conjunto
de experimentos que permiten discriminar entre distintos algoritmos de predicci´
on de series temporales
cu´
ales pueden ser los m´
as adecuados para estimar
los valores futuros.
Los distintos algoritmos utilizados incluyen tanto de autorregresi´
on (ARIMA), m´etodos de descomposici´
on (Theta), modelos de demanda intermitente
(Croston), un algoritmo basado en el calculo de promedios (MeanF, del paquete Forecast de la aplicaci´
on R) y un algoritmo co-evolutivo basado en redes
neuronales de funciones de base radial (L-Co-R).
Los resultados muestran que, para la predicci´on
del n´
umero de veh´ıculos que pasar´
an a las 07:00,
07:15, 07:30 y 07:45 de un d´ıa laborable (concretamente el jueves), partiendo de los datos agregados
cada 15 minutos de las 23 horas anteriores, las me-
X Congreso Español sobre Metaheurísticas, Algoritmos Evolutivos y Bioinspirados (MAEB 2015)
TABLA I
´mero de ocasiones en los que cada algoritmo de los especialmente disen
˜ados para resolver series temporales
Nu
(esto es sin incluir meanf de la biblioteca Forecast del paquete R) obtiene el menor error. Se contabiliza el
total sobre 5 series temporales y 9 medidas de error para cada una de ellas.
Algoritmo
ETS
ARIMA
CROSTON
THETA
L-Co-R
Horizonte 1
7
9
13
4
12
Horizonte 2
3
11
22
0
9
Horizonte 3
12
3
12
0
18
Horizonte 4
8
9
16
0
12
TABLA II
´mero de ocasiones en los que cada algoritmo (incluyendo el algoritmo meanf de la biblioteca Forecast)
Nu
´n calculados sobre 5 series temporales y 9 medidas de error
obtiene el menor error. Los datos mostrados esta
para cada una de ellas.
Algoritmo
ETS
ARIMA
CROSTON
THETA
MEANF
L-Co-R
Horizonte 1
7
9
8
4
14
3
Horizonte 2
0
3
6
0
21
15
jores predicciones son las aportadas por el algoritmo
MeanF, seguido de los algoritmos Croston y L-Co-R.
Dado que se han utilizado 9 medidas de error distintas y 5 series temporales distintas los resultados obtenidos pueden considerarse bastante concluyentes.
Las l´ıneas de futuro que plantea este trabajo pasan, en primer lugar, por encontrar una configuraci´
on para el algoritmo co-evolutivo (L-Co-R) que le
permita mejorar sus predicciones, pues para esta publicaci´
on ha sido utilizado con sus par´
ametros por
defecto. Dado que el algoritmo es altamente configurable, a priori estimamos que es factible encontrar
una combinaci´
on que mantenga tiempos de ejecuci´
on por debajo del horizonte a predecir a la vez que
minimiza el error cometido.
En segundo lugar, este trabajo da inicio a un segundo modelo de procesamiento descentralizado en
el que dispositivos m´
oviles podr´
an recibir los u
´ltimos
datos y predicciones conocidos, elaborar sus propias
predicciones mejoradas y difundir a otros dispositivos tanto las predicciones como los modelos que las
calculan.
187
Horizonte 4
7
3
7
0
28
0
vaci´
on)), GENIL (c´
odigo PYR-2014-17, Universidad
de Granada) y del proyecto FEDER de la Uni´
on Europea con t´ıtulo ”Sistema de Informaci´
on y Predicci´
on de bajo coste y aut´
onomo para conocer el Estado de las Carreteras en tiempo real mediante dispositivos distribuidos” (SIPEsCa) del Programa Operativo FEDER de Andaluc´ıa 2007-2013. Asimismo,
queremos mostrar nuestro agradecimiento al personal e investigadores de la Agencia de Obra P´
ublica
de la Junta de Andaluc´ıa, Consejer´ıa de Fomento y
Vivienda, por su dedicaci´
on y profesionalidad.
Referencias
[1]
[2]
Agradecimientos
Este trabajo ha sido financiado en parte por los
proyectos Este trabajo se est´
a desarrollando gracias a la financiaci´
on de los proyectos SPIP201401437 (Direcci´
on General de Tr´
afico), PRY142/14
(financiado por la Fundaci´
on P´
ublica Andaluza Centro de Estudios Andaluces en la IX Convocatoria
de Proyectos de Investigaci´
on), ANYSELF :: UGR:
Self-* Properties in P2P and Cloud Systems (c´
odigo
TIN2011-28627-C04, Ministerio de Ciencia e Inno-
Horizonte 3
7
3
7
0
28
0
[3]
[4]
Wanli Min and Laura Wynter, “Real-time road traffic
prediction with spatio-temporal correlations,” Transportation Research Part C: Emerging Technologies, vol. 19,
no. 4, pp. 606 – 616, 2011.
P. A. Castillo, A. Fern´
andez-Ares, P. Garc´ıa-Fern´
andez,
P. Garc´ıa-S´
anchez, M. G. Arenas, A. M. Mora, V. M. Rivas, J. J. Asensio, G. Romero, and J. J. Merelo, “Studying individualized transit indicators using a new lowcost information system,” in Handbook of Research on
Embedded Systems Design, Alessandra Bagnato, Leandro Soares Indrusiak, Imran Rafiq Quadri, and Matteo
Rossi, Eds. IGI Global, Hershey, USA, 2014.
E. Parras-Gutierrez, M. Garcia-Arenas, V.M. Rivas, and
M.J. del Jesus, “Coevolution of lags and rbfns for time
series forecasting: L-co-r algorithm,” Soft Computing,
vol. 16, no. 6, pp. 919–942, 2012.
Victor Manuel Rivas Santos, Maria Isabel Garcia Arenas, Juan Julian Merelo Guervos, Antonio Mora Garcia,
and Gustavo Romero Lopez, “An object-oriented library
in javascript to build modular and flexible cross-platform
Sesión general
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]
evolutionary algorithms.,” in To be published in EvoApplications, EvoStar ’14, Granada, Spain, April 23-25,
2014, Springer Verlag, 2014.
G.E. Box and G.M. Jenkins, Time series analysis: forecasting and control, San Francisco: Holden Day, 1976.
B.L. Smith, B.M. Williams, and R. Keith Oswald, “Comparison of parametric and nonparametric models for traffic flow forecasting,” Transportation Research Part C:
Emerging Technologies, vol. 10, no. 4, pp. 303–321, 2002,
cited By (since 1996)275.
S.R. Chandra and H. Al-Deek, “Predictions of freeway
traffic speeds and volumes using vector autoregressive
models,” Journal of Intelligent Transportation Systems:
Technology, Planning, and Operations, vol. 13, no. 2, pp.
53–72, 2009, cited By (since 1996)20.
Y. Kamarianakis and P. Prastacos, “Forecasting traffic flow conditions in an urban network: comparison of
multivariate and univariate approaches,” Journal of the
Transportation Research Board, vol. 1857, pp. 74–84,
2003.
J.W.C. van Lint, S.P. Hoogendoorn, and H.J. van Zuylen, “Accurate freeway travel time prediction with statespace neural networks under missing data,” Transportation Research Part C: Emerging Technologies, vol. 13,
no. 5-6, pp. 347–369, 2005, cited By (since 1996)93.
E.I. Vlahogianni, M.G. Karlaftis, and J.C. Golias, “Optimized and meta-optimized neural networks for shortterm traffic flow prediction: A genetic approach,” Transportation Research Part C: Emerging Technologies, vol.
13, no. 3, pp. 211–234, 2005, cited By (since 1996)147.
W. Zheng, D.-H. Lee, and Q. Shi, “Short-term freeway
traffic flow prediction: Bayesian combined neural network approach,” Journal of Transportation Engineering,
vol. 132, no. 2, pp. 114–121, 2006.
V. M. Rivas, E. Parras-Gutierrez, M. G. Arenas, P. A.
Castillo, P. Garc´ıa S´
anchez, and P. Garc´ıa-Fern´
andez J.J.
Merelo and, “Predicci´
on de tr´
afico mediante co-evoluci´
on
de redes neuronales de funciones de base radial y selecci´
on de variables de entrada,” in Ix Congreso Espa˜
nol De
Metaheur´ısticas, Algoritmos Evolutivos Y Bioinspirados
(MAEB 2013), 2013, vol. 1, pp. 782–791.
R.J. Hyndman and Y. Khandakar, “Automatic time series for forecasting: the forecast package for r,” Tech.
Rep., Monash University, Department of Econometrics
and Business Statistics, 2007.
Jan G De Gooijer and Rob J Hyndman, “25 years of time
series forecasting,” International Journal of Forecasting,
, no. 22, pp. 443–473, 2006.
188