El nostre grup d'investigació treballa en tècniques de predicció i d'optimització. Predicció de futures observacions i optimització per a poder construir eines automàtiques d'ajuda a la presa de decisions en ambient d'incertesa. Això ja ens ha permés obtindre resultats interessants, especialment en el camp de la medicina i la salut pública, però també en la indústria i en les finances. En conseqüència, el nostre propòsit és doble: aprofundir en l'estudi de models de predicció, que puguen incorporar relacions temporals i/o espacials, a més de covariables, i continuar avançant en el desenvolupament de metodologies que incorporen la incertesa en l'optimització, la qual cosa ens permetrà construir noves eines de suport a la presa de decisions en diferents àmbits de planificació i gestió. En concret, seran objecte d'investigació l'anàlisi d'escenaris amb presència d'incertesa per als quals existeix informació donada per una sèrie de dades històriques, per als quals utilitzarem models de sèries temporals, i aquells en els quals a més de la relació temporal existeix una relació de veïnatge entre observacions contemporànies, per als quals utilitzarem models espaciotemporals. En treballs previs hem considerat models de predicció basats en models dinàmics d'espai d'estats amb innovacions, i s'ha avançat teòricament en la incorporació de multiestacionalitat, covariables i errors autocorrelats, amb l'objectiu que puguen ser utilitzats en la predicció automàtica de bancs de sèries temporals. Recentment, hem introduït mètodes de sèries temporals fuzzy per a obtindre com a predicció un número fuzzy que puga ser incorporat en els models d'optimització que utilitzen lògica difusa per a incorporar la incertesa. Pretenem amb això ampliar el camp d'aplicació d'aquestes metodologies mitjançant models de simulació-optimització que permeten analitzar la qualitat de les solucions i l'optimització dels objectius. També estem treballant en sèries de temps composicionals, que permeten contextualitzar els models mixtos per a dades composicionals longitudinals multivariats en escenari del microbioma.
Últimament, estem treballant en combinació de prediccions, mitjançant mitjanes ponderades de prediccions obtingudes amb diferents mètodes, amb l'objectiu de dissenyar un sistema d'ajuda a la decisió que permeta l'ajustar els pesos i seleccionar de manera òptima els models de predicció per a obtindre pronòstics més fiables. L'estudi de la variabilitat geogràfica i temporal dels fenòmens de la salut gaudeix actualment d'una gran popularitat dins del món de l'Epidemiologia. Nombrosos models de suavització de riscos que incorporen simultàniament la dependència espacial dels riscos entre regions pròximes i la dependència temporal dels riscos per a cadascuna de les regions han sigut proposats en els últims anys. Els models clàssics han sigut dissenyats per a realitzar una anàlisi retrospectiva de les sèries temporals d'incidència i, per tant, no tracten qüestions fonamentals des del punt de vista de la planificació d'accions preventives i de control com són la predicció del començament de brots infecciosos, predicció de pics d'epidèmies i finalització d'aquestes. Volem analitzar alguns problemes relacionats amb la predicció en propagació d'epidèmies, incidint simultàniament en les components espacial i temporal del problema. En aqueixa mateixa línia, incorporació simultaneja de component temporal i component espacial als models estudiats, estem treballant en diversos escenaris: extensió de model jeràrquic bayesià, proposat recentment per membres del nostre equip, que permet estimar riscos i detectar conglomerats de manera simultània on es considera que la dependència espacial entre els riscos relatius no s'ajusta necessàriament a criteris de veïnatge; extensió espaciotemporal dels models de compartiments estocàstic bayesià; proposta d'un model espaciotemporal per al tractament de dades epidemiològiques en l'escenari composicional, i proposta d'un model espaciotemporal per a l'anàlisi de les associacions entre exposicions ambientals i salut. Tots aqueixos resultats de predicció els utilitzarem en la construcció de sistemes d'ajuda a la presa de decisions basats en models d'optimització sota incertesa per a diferents àmbits. Entre ells, a més dels àmbits anteriorment citats, treballarem problemes de gestió financera, especialment el problema de selecció de carteres. El problema de la selecció de carteres tracta de determinar una cartera òptima que satisfaça les preferències del decisor, quant al risc i al benefici de la inversió. Hem introduït l'aproximació del rendiment d'una cartera mitjançant distribucions de credibilitat, i mesures alternatives del risc de la inversió. Abordarem el problema de selecció de carteres introduint una funció de pèrdua que puga ser visualitzada per l'inversor, com una mesura de les seues preferències i desenvoluparem estratègies evolutives d'optimació multi-objectiu per a determinar carteres eficients per a diferents perfils de risc de l'inversor.
Desenvolupament de metodologies que permeten incorporar la incertesa en l'optimització en diferents àmbits de planificació i gestió de processos.
- Models de selecció de carteres d' inversió
Desenvolupament de models de selecció de carteres, en els quals la incertesa sobre el rendiment es descriu mitjançant distribucions de possibilitat i credibilitat. Anàlisi multiobjectiva del problema de selecció, buscant aproximacions a la frontera de Pareto mitjançant algorismes evolutius.
- Anàlisi Baiesià de Series Temporals Multivariants
Desenvolupament de models dinàmics multivariants i la seua anàlisi mitjançant metodologia bayesiana, utilitzant mètodes de simulació MCMC. Incorporació de dependències espacials a l'estructura temporal dels models. Disseny i implementació en R d'algorismes per a la seua anàlisi, estimació i predicció.
- Models amb dades composicionals
Desenvolupament de models amb dades composicionals. En entorns com la biologia, l'economia o la geologia, és habitual treballar amb vectors de dades les components de les quals recullen la contribució relativa de diferents parts en relació a un total, aconseguint-se mostres composicionals. Es treballarà en el progrés de la modelització estadística de les dades composicionals, en la seua aplicació i en la seua fonamentació matemàtica.
- Mapeig de malalties
Desenvolupament de models jeràrquics bayesians per a l'estudi de la variabilitat geogràfica de malalties i la seua evolució temporal amb l'objectiu d'ajudar en la presa de decisions i en el desenvolupament de programes de vigilància.
- CORBERAN VALLET, ANA
- Alumn.-Servei de Formacio Permanent
- Coordinador/a Curs
- IFTIMI -, ADINA ALEXANDRA
- PDI-Titular d'Universitat
- Responsables de Gestio Academica
- Coordinador/a Practiques es
- PARREÑO TORRES, CONSUELO
- Alumn.-Servei de Formacio Permanent
- SANTONJA GOMEZ, FRANCISCO JOSE
- PDI-Titular d'Universitat
Col·laboradors/es
- José Vicente Segura Heras - Universitat Miguel Hernández d'Elx.
Campus Burjassot/Paterna
C/ Dr. Moliner, 50
46100 Burjassot (València)
