| Tesis Doctorales de la Universidad de Alcalá |
| DESARROLLO DE SERVICIOS AVANZADOS PARA LA TOMA DE DECISIONES INTELIGENTES EN DIMENSIONES CLAVES DE LA SOCIEDAD DIGITAL | | Autor/a | Mendoza Pittí, Luis Agustín | | Departamento | Ciencias de la Computación | | Director/a | Vargas Lombardo, Miguel | | Codirector/a | Gómez Pulido, José Manuel | | Fecha de defensa | 28-04-2023 | | Calificación | Sobresaliente | | Programa | Ingeniería de la Información y del Conocimiento (RD 99/2011) | | Mención internacional | No | | Resumen | 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. |
|
