Anàlisi predictiu del volum d'aigua en embassaments catalans

Abstract

El present treball, a través de la metodologia de la ciència de dades, pretén comparar diversos models predictius sobre el volum d'aigua en embassaments catalans, amb l'interès de ser una eina útil per a la gestió eficient d'aquest recurs natural. Estudis anteriors situen, majoritàriament, les xarxes neuronals artificials com a possible model predictiu òptim per a portar a terme anàlisis en aquest àmbit. A aquesta tendència, s'hi sumen també els models support vector machines (SVM) i el classificador Random forest. Així, s'analitzen els resultats que s'obtenen comparant aquests tres models, a partir de l'ús de la pròpia sèrie temporal com a entrada i sortida del model o de la incorporació de múltiples variables explicatives com a entrada del model. Els resultats obtinguts posen de manifest que els SVM són un model totalment a considerar per a portar a terme prediccions sobre dades d'aquesta naturalesa, ja que en els dos embassaments analitzats, el de Sau i el de la Baells, és el model SVM amb múltiples variables d'entrada el que obté millors resultats. El present treball ha suposat un repte en el sentit d'anar més enllà en la predicció futura que els models analitzats en l'estat de l'art, sense renunciar a l'exactitud que suposa tractar amb dades diàries. Així mateix, mostra l'anàlisi multivariant com a via a seguir, però amb la necessitat d'abordar la qüestió de quins han de ser els factors a considerar, problema clau i d'una complexitat evident degut a l'objecte d'estudi de que es tracta.

This master's thesis is based upon the data science methodology in order to compare several predictive models of water level in Catalan reservoirs, with the purpose of being a decision-supporting tool for the efficient management of this natural resource. Previous studies argue that artificial neural networks are the most optimal predictive model to carry out analysis in this field. In addition, support vector machines (SVM) and the Random forest classifier are also included as such. The results obtained in the comparison of these three models have been analysed, based on the use of the same univariate time series as input and-output of the model or the incorporation of multiple features as input of the model. The analysis of the reservoirs in Sau and Baells show that SVM model, with multiple input features, is the most suitable model to carry out predictions of such data. The work developed has proven a challenge in the sense of going beyond the state-of-the-art prediction models analysed without diminishing the accuracy of dealing with daily data. It also opens up the multivariate analysis as a way forward, but with the need to address the question of which factors should be considered, a key issue of high complexity in the object of study in question.

El presente trabajo, a través de la metodología de la ciencia de datos, compara diversos modelos predictivos del volumen de agua en embalses catalanes, con el interés de proponerse como una herramienta útil para la gestión eficiente de estos recursos naturales. Estudios anteriores sitúan, mayoritariamente, las redes neuronales artificiales como el posible modelo predictivo óptimo para llegar a cabo análisis en este ámbito. A esta tendencia, también podríamos añadir los modelos support vector machines (SVM) y el clasificador Random forest. De esta forma, se analizan los resultados que se obtienen comparando estos tres modelos, a partir de la propia serie temporal a predecir como entrada y salida del modelo o de la incorporación de múltiples variables explicativas como entrada del modelo. Los resultados obtenidos ponen de manifiesto que los SVM son un modelo a tener en cuenta para llevar a cabo predicciones de esta naturaleza, ya que, en los dos embalses analizados, el de Sau y el de la Baells, es el modelo SVM con múltiples variables de entrada el que obtiene mejor resultados. El presente trabajo ha supuesto un reto en el sentido de ir más allá en la predicción futura que los modelos analizados en el estado del arte, sin renunciar a la exactitud que supone tratar con datos diarios. Al mismo tiempo, propone el análisis multivariante como vía a seguir, pero con la necesidad de abordar la cuestión de qué factores debemos considerar en dicho análisis, problema fundamental y de una complejidad evidente debido al objeto de estudio que tratamos.