UML para modelar patrones de contaminación de las Ciudades Inteligentes para la Zona Metropolitana de Guadalajara
DOI:
https://doi.org/10.32870/recibe.v10i2.162Palabras clave:
Data mining, Support vector machines, parallel support vector machine libraries, Internet of Things, Smart Cities.Resumen
La contaminación en poblaciones densas como la Zona Metropolitana de Guadalajara crece exponencialmente, afectando la salud de los ciudadanos y reduciendo su Calidad de Vida. Uno de los principales retos de investigación que se persiguen con el estudio de las Smart Cities es la contaminación ambiental para mejorar el bienestar de los ciudadanos y proteger los espacios naturales. Por lo tanto, es urgente el desarrollo de Tecnologías de la Información para reducir este problema mediante el análisis científico de datos, para clasificar las zonas con mayor contaminación. Actualmente, estos datos son capturados por estaciones de monitoreo constante, generando un gran volumen de información que representa un desafío para el proceso de clasificación. Este trabajo propone un modelo UML (Lenguaje Unificado de Modelado) para la ejecución automática de un algoritmo de clasificación utilizando Máquinas de Vectores de Soporte con la implementación de librerías en python para procesamiento paralelo. Como resultado de esta investigación, se desarrolló un modelo UML para identificar patrones de contaminación en Ciudades Inteligentes, por ejemplo, la Zona Metropolitana de Guadalajara.Citas
References
Towsend, A. M., (2003). Smart Cities, First. New York, pp. 111–114.
Dario, C. G. M., (2015), “La Ocde y El Inegi Presentan Los Resultados más Destacados y el Sitio Web del Proyecto: Midiendo El Bienestar en Las Entidades Federativas,” pp. 1–2. [3] “OMS | Calidad del aire ambiente (exterior) y salud,” WHO, (2016). [4] “The Urban Internet of Things | Data-Smart City Solutions.” (2015) Retrieved from http://datasmart.ash.harvard.edu/news/article/the-urbaninternet-of-things-727. [5] Mora, O. B., & Larios, V. M., (2015) “Urban Operating System For Sensor Networks Management in Smart Cities,” pp. 1–4. [6] “Monitoring Air Quality and the Impacts of Pollution | Data-Smart City Solutions.” (2015) Retrieved from http://datasmart.ash.harvard.edu/news/article/monitoring-air-quality-andthe-impacts-of-pollution-679. [7] Snyder, E. G., Watkins, T. H., Solomon, P. A., Thoma, E. D., Williams, R. W. Hagler, … Preuss, P. W., (2013), “The Changing Paradigm of Air Pollution Monitoring,” Environ. Sci. Technol., pp. 11369-11377. [8] Programa para Mejorar la Calidad del Aire Jalisco (2011-2020), Secretaría de Medio Ambiente para el Desarrollo Sustentable of the Jalisco State. [9] Mendoza A., & García, M. (2018). "Aplicación de un modelo de calidad del aire de segunda generación a la Zona Metropolitana de Guadalajara, México", pp. 1-13. [10] Ramírez-Sánchez, H. U., Andrade-García, M. D., González-Castañeda, M. E., & Celis, A. J. (2006). Contaminantes atmosféricos y su correlación con infecciones agudas de las vías respiratorias en niños de Guadalajara, Jalisco, Salud Pública Méx; Vol. 48(5):385-394. [11] Coenen, F., (2011). “Data mining: past, present and future,” The Knowledge Engineering Review, Vol. 26:1, 25–29. & Cambridge University Press, doi:10.1017/S0269888910000378
Aggarwal, C. C., Ashish, N., & Sheth, A., (2013). “The Internet of Things: A Survey from the Data-Centric Perspective”. In C. C. Aggarwal (Ed.), Managing and Mining Sensor Data, pp. 383–428. Boston, MA: Springer US. [13] Patulea, C., Peace, R. & Green, J. (2010). “CUDA-accelerated genetic feedforward-ANN training for data mining,” J. Phys.: Conf. Ser., vol. 256, pp. 012014–9. [14] Pebesma, E., Bivand, R., & P. J., n.d., Ribeiro, “cudaBayesreg: Parallel Implementation of a Bayesian Multilevel Model for fMRI Data Analysis,”. [15] Gullo, F. (2015). “From Patterns in Data to Knowledge Discovery: What Data Mining Can Do,” Physics Procedia, vol. 62, pp. 18–22. [16] Carraher, L. A., Wilsey, P. A., & Annexstein, F. S. (2013). “A GPGPU Algorithm for c-Approximate r-Nearest Neighbor Search in High Dimensions,” presented at the 2013 IEEE International Symposium on Parallel & Distributed Processing, Workshops and PhD Forum (IPDPSW), pp. 2079–2088. [17] Tan, K. Zhang, J., Du, Q., & Wang, X. (2016). “GPU Parallel Implementation of Support Vector Machines for Hyperspectral Image Classification,” IEEE J. Sel. Top. Appl. Earth Observations Remote Sensing, vol. 8, no. 10, pp. 4647–4656. [18] Guo, W., Alham, N. K. Liu, Y., Li, M., & Qi, M. (2015). “A Resource Aware MapReduce Based Parallel SVM for Large Scale Image Classifications,” Neural Processing Letters, vol. 44, no. 1, pp. 161–184. [19] Vapnik, V. (1982). Estimation of Dependences Based on Empirical Data, Springer-Verlag. [20] Catanzaro, B., Catanzaro, B., Keutzer, K., & Keutzer, K. (2008). Fast Support Vector Machine Training and Classication on Graphics Processors. Machine Learning, 104–111. [21] Platt, J. C. (1998). Sequential Minimal Optimization: A Fast Algorithm for Training Support Vector Machines. Advances in Kernel Methods, 185– 208. [22] Dogaru, R., & Dogaru, I. (2015). “A Low-Cost High-Performance Computing Platform for Cellular Nonlinear Networks using Python for CUDA”. 20th International Conference on Control Systems and Science, 593–598. doi: 10.1109/CSCS.2015.36. [23] CUDA a parallel computing platform definition. (2020). Retrieved from https://blogs.nvidia.com/blog/2012/09/10/what-is-cuda-2/ [24] GPU Accelerated Computing with Python. (2020). Retrieved from https://developer.nvidia.com/how-to-cuda-python. [25] NumPy Python Library Definition. (2020). Retrieved from https://docs.scipy.org/doc/numpy/user/whatisnumpy.html [26] SciPy Python Library Definition. (2020). Retrieved from http://scipy.org/scipylib/index.html.
