1. Doctorado

Permanent URI for this communityhttp://98.81.228.127/handle/20.500.12404/1

Tesis de la Escuela de Posgrado y de la Escuela de Negocios de CENTRUM Católica

Browse

Filter results by typing the first few letters
Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    Spatiotemporal predictions from computational data substructures
    (Pontificia Universidad Católica del Perú, 2025-01-14) Galarreta Asian, Ana Paula; Alatrista Salas, Hugo; Nuñez del Prado Cortez, Miguel
    Esta investigación explora diversas estrategias para predecir las ubicaciones y transacciones futuras de los usuarios, considerando tanto la información espacial como temporal. El estudio emplea técnicas de minería de patrones y aprendizaje profundo para mejorar las capacidades predictivas. La minería de patrones se utiliza para predecir transacciones futuras, introduciendo la innovación de aumentar cada elemento con una etiqueta de ubicación y organizar los elementos dentro de ventanas de tiempo específicas. Además, se utiliza una combinación de aprendizaje profundo con estructuras de grafos para predecir ubicaciones futuras, empleando la arquitectura Transformer para reducir los tiempos de entrenamiento. Una contribución significativa es la introducción del Spatiotemporal Patricia Trie (SPT), que ofrece una nueva estructura de datos para representar patrones frecuentes temporales y espaciales. También se presenta la métrica de similitud Normalized Spatial Itemset Similarity (NSIS), que evalúa las predicciones considerando tanto eventos específicos como sus ubicaciones asociadas. Experimentos en un conjunto de datos de banca privada demuestran el potencial del SPT para generar predicciones significativas sobre las próximas ubicaciones y categorías de compra. Además, este trabajo presenta el modelo Attention and Possible directions for TRAJectory prediction (APTraj), que aprovecha el mecanismo de autoatención de Transformer y un grafo dirigido de la red vial para predecir las futuras ubicaciones de los usuarios. También se presenta una mejora del algoritmo AP-Traj, llamada AP-Traj2. AP-Traj2 enfatiza la construcción de grafos y el preprocesamiento de secuencias, lo que resulta en tiempos de entrenamiento reducidos y una mayor precisión de predicción en cinco conjuntos de datos de ubicación distintos. Esto permite la generalización a datos de ubicación no representados previamente por un grafo, extendiendo la aplicabilidad del modelo. En general, los métodos propuestos representan avances significativos en la predicción de la actividad del usuario y sus ubicaciones.