| Tesis Doctorales de la Universidad de Alcalá |
| TIME SERIES ASSOCIATION RULE MINING APPROACHES FOR ASSISTING SMART AGRICULTURE | | Autor/a | Fister, Iztok | | Departamento | Teoría de la Señal y Comunicaciones | | Director/a | Salcedo Sanz, Sancho | | Fecha de depósito | 10-10-2025 | | Periodo de exposición pública | 10 a 24 de octubre de 2025 | | Fecha de defensa | Sin especificar | | Modalidad | Presencial | | Programa | Tecnologías de la Información y las Comunicaciones (RD 99/2011) | | Mención internacional | No | | Resumen | La minería de datos se ha convertido en un conjunto de técnicas muy populares para extraer conocimiento a partir de grandes conjuntos de datos. A pesar de la amplia trayectoria de diversos métodos de minería de datos, como la minería de reglas de asociación, aún persisten numerosos desafíos en esta área de investigación. La minería de reglas de asociación, una subclase de la minería de datos, se centra en la identificación de relaciones entre atributos, dentro de grandes bases de datos transaccionales. Una rama en auge dentro de este campo es la minería numérica de reglas de asociación, donde el problema de la minería de reglas de asociación se modela como un problema de optimización, y se aborda mediante enfoques de enjambre (swarm) y algoritmos evolutivos.
Por otra parte, la agricultura inteligente es una tendencia moderna en las prácticas agrícolas, cuyo objetivo es automatizar procesos clave. Esto incluye la promoción de la agricultura orgánica, el aumento del rendimiento de los cultivos, la conservación y el uso sostenible de agua y fertilizantes, y la correcta monitorización de la salud de las plantas, entre otros aspectos. En la agricultura inteligente contemporánea, gran parte de los datos recopilados se presentan en forma de series temporales.
Esta tesis doctoral presenta un proceso integral para la aplicación de la minería numérica de reglas de asociación en agricultura inteligente, que abarca desde la recopilación de datos, el preprocesamiento, el desarrollo de algoritmos, la visualización y la aplicación final de técnicas de IA explicable. Se propone un paradigma para la minería de reglas de asociación numérica de series temporales, mediante dos métodos distintos: minería de reglas de asociación numérica de series temporales de intervalo fijo y minería de reglas de asociación numérica de series temporales de intervalo segmentado. Además, la tesis propone un novedoso método de visualización adaptado a las reglas de asociación de series temporales.
Para mejorar la interpretabilidad, se propone el uso de enfoques de IA explicables, incluyendo un método para identificar las características más influyentes que contribuyen a una regla de asociación, y otro para evaluar la estabilidad de las reglas en diferentes segmentos temporales. Para respaldar la metodología propuesta, se ha diseñado un hardware personalizado basado en la plataforma ESP32 para la monitorización de la salud de las plantas. Este sistema recopila datos de tres sensores y los transmite a la nube para su procesamiento.
Todo el conjunto de nuevas contribuciones se sustenta en una serie de evaluaciones experimentales, que demuestran las fortalezas de los métodos propuestos, junto con sus aplicaciones prácticas. Los resultados obtenidos muestran que los métodos propuestos son versátiles, robustos y permiten su uso práctico en aplicaciones reales de agricultura inteligente. Los nuevos métodos, experimentos y resultados propuestos también se han publicado en tres revistas científicas indexadas en el Journal Citation Reports (JCR). La lista completa de los tres artículos se incluye en el apéndice de esta tesis. |
|
