Hoy en día todo se mide a lo largo de un estado contextual (tiempo y espacio), y los eventos que ocurren a lo largo de una secuencia temporal, cómo se ven afectados por otros eventos multidimensionales pasados, y cómo afectan estos nuevos eventos descubiertos a otros en el futuro, es la base de una predicción efectiva en el mundo de la analítica avanzada. I3B proporciona tecnología propia en base a modelos de aprendizaje automático multidimensionales sobre la línea del tiempo. La series temporales modelan todos nuestros comportamientos (consumos, energía, transporte, industria, medicina, meteorología), y sabemos cómo analizarlas., e incluso, como descubrir las relaciones entre concpetos a lo largo del tiempo. El conocimiento no es tener una gran cantidad de datos, sino conocer sus relaciones, y además, temporales...

1. Análisis de Series
Temporales multivariables
Tecnología i3B
G R U P O I B E R M Á T I C A

2. Abril 2013 / 2
Introducción
Objetivos
Puntos de información y de estudio
Tipos de análisis
Análisis proactivo
Análisis determinista
Tecnología Ibermática
2

3. Abril 2013 / 3
Introducción
 La evolución de la variación de una secuencia de datos,
observaciones o valores, medidos en determinados
momentos del tiempo, ordenados cronológicamente y,
normalmente, espaciados entre sí de manera uniforme.
 Conceptos de referencia:
• Amplitud: Distancia entre el cero y el pico máximo.
• Periodicidad: Tiempo en el que se recoge
información.
• Frecuencia: Número de picos por Periodicidad.
• Cadencia: Número de periodos que debemos tener
en cuenta para medir un valor.
• Media/Moda….
 La variación de un indicador puede depender:
• Los valores estáticos de otros indicadores, (hora >
18 , lluvia > 30  Atasco).
• Los valores del propio indicador, o de otros, en
relación a sus propios valores pasados (Si
C1=Atasco and T=1,  C2 = Atasco when T=2).
• La conjunción de las dos anteriores.

4.  Determinar anomalías sobre el patrón de comportamiento normal en las variaciones de datos
Eventos son aquellos Conjuntos relevantes de datos en una secuencia temporal,
definidos por una agrupación de valores de interés, con un punto central, otro inicial y
otro final.
 Determinar si dichos eventos son relevantes, y aprender sobre las actuaciones realizadas sobre las
Abril 2013 / 4
Objetivos
multivariables, en una escala temporal.
 Encontrar Eventos de interés de forma automática para su resolución inmediata
alertas asignadas por cada situación.
 Se trata de tener el conocimiento preciso para tomar decisiones
inteligentes, para poder anticiparse a los problemas y resolverlos de
manera proactiva, para coordinar los recursos para operar con
eficacia.
 Debemos utilizar el tiempo de los expertos en mejorar el negocio, no
en analizar lo que ocurre en el negocio.
 Se trata de mejorar la capacidad de decisión, extrayendo de forma
automática las relaciones entre los datos evidentes en base a
objetivos, mostrando sólo la información necesaria para los
usuarios.
“El conocimiento no es memorizar datos, sino relacionarlos”, Soledad Puértolas,
“Sabemos que no es una acumulación de datos lo que constituye Ciencia, ni siquiera información en el
sentido estricto... Sabemos que cada dato tiene sentido únicamente en el contexto de una teoría
que religa y predice hechos, en el mejor sentido de la palabra, los inventa”, Antonio Pérez García,

5. Puntos de información y de estudio
 Un Punto de Información es la unidad mínima de recogida de información (Punto
de Suministro, Estación Meteorológica, Contador, Sensores, Pulsometro, etc.).
 Distintos Puntos de Información agregan indicadores asociados a un Punto de
Estudio concreto, por periodos y frecuencias determinadas, que conforman el
conjunto multidimensional del punto, más información adicional agregada (Sector,
Zona Geográfica, Meteorología, Datos socio-demográficos, equipos, operadores,
estados fisiológicos en pacientes, etc.).
 El conjunto de información recogida constituye la “situación contextual” del Punto
de Estudio, o la Confiabilidad Operacional.
Abril 2013 / 5
La confiabilidad de un sistema o activo, es la probabilidad de que pueda
operar durante un determinado lapso de tiempo sin perdida aparente de su
función.

6. Abril 2013 / 6
Tipos de Análisis
 Análisis Proactivo.
• Es requerimiento tener histórico de datos de la fluctuación y comportamiento de
las distintas variables (cuantas más, mejor), relacionadas con los Puntos de
Estudio.
• Es necesaria una Predicción Previa de las Tendencias a Futuro.
• Los eventos se Generan en Base a la Comparación entre la Predicción y la
Serie Real.
• Tipos de Análisis Proactivos:
 Análisis Estadístico
 Análisis No Supervisado
o Redes Neuronales
o Árboles de Decisión
 Análisis Supervisado
Análisis Determinista.
• Se articula en base a reglas introducidas en el sistema por un experto.
• Las reglas pueden aunar indicadores multivariables (valores de distintos Puntos
de Información) para un Punto de Estudio, así como información temporal.
• No requiere Predicción Previa.

7. Análisis Proactivo
Análisis Estadístico: Modelado
 El análisis estadístico se basa en la “discretización” de los datos de la serie en base a un periodo
Abril 2013 / 7
determinado, y a una agrupación basada en:
• Valor mínimo
• Valor máximo
• Moda
• Media
• Mediana
 Se selecciona el valor en la “abcisa” que se quiere discretizar (Franja horaria, diaria, semanal,
mensual, anual, etc.).
 El sistema determina cuál es la mejor agrupación de dicha “abcisa” en función de la distribución de
los datos (por frecuencia, por intervalos fijos, etc.).
 Se calcula la media, moda, mediana, etc. de los valores que entran en cada una de las
agrupaciones de las franjas.
DDiissccrreettiizzaacciióónn

8. Análisis Proactivo
Análisis Estadístico: Validación
 La validación se basa en “observar” si los nuevos puntos se entrada se salen de la agrupación
Abril 2013 / 8
(media, mediana, moda), agrupada por discretización (franja temporal).
 Si la desviación sobre la medida seleccionada supera un umbral, se detecta como anomalía.
 El umbral es parametrizable por el usuario, en base a incrementos, por ejemplo, de la desviación
típica por discretización.
Nueva Entrada
MMooddeelloo
EEvveennttoo
MMééttooddoo VVáálliiddoo ppaarraa aannáálliissiiss ddee uunn ssoolloo iinnddiiccaaddoorr,, ssiinn rreeffeerreenncciiaa aa ccoorrrreellaacciioonneess ccoonn oottrraass vvaarriiaabblleess..

9. Análisis Proactivo
Análisis Estadístico: Casos de Uso
Análisis de constantes vitales y anomalías en sistemas de monitorización de Pacientes Teleasistencia.
Abril 2013 / 9

10. Análisis Proactivo
Análisis No supervisado: Modelado
El análisis No Supervisado estadístico se basa en la “predicción” de la tendencia de la serie
en base al conjunto de valores multidimensional.
Se toman los valores históricos, y se modelan, en base a técnicas de analítica predictiva, en
concreto, Redes Neuronales (RNA).
Las Redes Neuronales modelan matemáticamente las relaciones intravariables en función
de una variable objetivo.
Abril 2013 / 10
Modelo y Predicción
Entradas

11. Análisis Proactivo
Análisis No supervisado: Validación
La validación consiste en detectar situaciones anómalas (Eventos), entre la serie Predictiva y
la Serie de Entrada al sistema.
No es una validación de diferencias entre los valores de la serie predictiva y la real, puesto
que perderíamos Eventos relacionados con anomalías referentes a otros indicadores, como
picos por horas determinados, meses, horas-meses, intensidad, temperatura ambiente, o
distintas combinaciones de ellos. Tendríamos muchos Falsos Positivos porque la serie
predictiva es muy coincidente en las variaciones de picos/valles, pero no en la magnitud exacta
de cada pico.
i3B ha desarrollado tecnología en por
medio de Segmentaciones automáticas
multivariables (Clustering).
Los “Clusters” permiten:
•Calcular el número de series homogéneas
diferentes en los que se distribuye la
Información.
•Calcular los Eventos Anormales sobre
dichas distribuciones conjugando múltiples
variables
Abril 2013 / 11

12. Abril 2013 / 12
Análisis Proactivo
Análisis No supervisado: Validación. Clustering y Anomalías
 La información se agrupa en base a clusters homogéneos de forma automática.
 Cada elemento de la serie temporal, es una suma de indicadores (Mes, hora, reactiva, operador,
temperatura, consumo, etc.), que, en base a su distribución pertenecen a un cluster.
 Cada elemento es un vector que contiene una diferencia de “lejanía” con respecto al elemento
central del grupo, o “centroide”.
 Cuanto más lejos esté un individuo del centro de su grupo, más probabilidad existe de que sea una
anomalía, o un Evento.

13. Abril 2013 / 13
Análisis Proactivo
Análisis No supervisado: Flujo Completo
 Se integran los datos.
 Se Analiza el modelo de Predicción.
 Se generan los Cluster para todos indicadores en el Punto de Información.
 Se seleccionan los puntos (Eventos) Anómalos.

14. Análisis Proactivo
Análisis No supervisado: Árboles de Decisión
 Los Procesos de RNA y Clustering son muy efectivos, pero no explican porqué ocurren los
Abril 2013 / 14
Eventos.
 Una forma de modelar las explicaciones de los eventos es en Base de Reglas automáticas.
 i3B gestiona distintos algoritmos de generación de reglas automáticas en base a frecuencias
multivariables.
Histórico
Entradas
No Cumple = Anomalía

15. Análisis Proactivo
Análisis No supervisado: Modelos en Ventanas Deslizantes
Análisis predictivos basados en relaciones entre valores consecutivos en las series temporales.
Abril 2013 / 15
Análisis y predicción de lluvias basado en el vapor de agua gps

16. Abril 2013 / 16
Análisis Proactivo
Análisis Supervisados
¿Y si metemos los Eventos y su resolución como una variable más del sistema?
Propensión a que esa incidencia
se vuelva a dar en el futuro en
situaciones similares

17. Abril 2013 / 17
Análisis Determinista
Reglas de Expertos
Entrada
Alarmas
Nulos…
Errores…
Máximas…
Reglas complejas

18. Abril 2013 / 18
Tecnología Ibermática
Un esquema Híbrido
Análisis Estadístico
Análisis Proactivo
Análisis Determinista
Sistema de Gestión de Eventos

19. Abril 2013 / 19