Logo de la Universdad de Valencia Logo Vicerrectorado de Investigación, Vicerrectorado de Innovación y Transferencia Logo del portal

Predicción y Optimización bajo incertidumbre: Modelos estocásticos dinámicos y aplicaciones - PROMEDyA

Referencia del grupo:

GIUV2018-411

 
Descripción de la actividad investigadora:
Nuestro grupo de investigación trabaja en técnicas de predicción y de optimización. Predicción de futuras observaciones y optimización para poder construir herramientas automáticas de ayuda a la toma de decisiones en ambiente de incertidumbre. Esto ya nos ha permitido obtener resultados interesantes, especialmente en el campo de la medicina y la salud pública, pero también en la industria y en las finanzas. En consecuencia, nuestro propósito es doble: profundizar en el estudio de modelos de predicción, que puedan incorporar relaciones temporales y/o espaciales, además de covariables, y seguir avanzando en el desarrollo de metodologías que incorporen la incertidumbre en la optimización, lo que nos permitirá construir nuevas herramientas de apoyo a la toma de decisiones en diferentes ámbitos de planificación y gestión. En concreto, serán objeto de investigación el análisis de escenarios con presencia de incertidumbre para los que existe información dada por una serie de datos históricos, para los que utilizaremos modelos de series temporales, y aquellos en los que además de la relación temporal existe una relación de vecindad entre observaciones contemporáneas, para los que...Nuestro grupo de investigación trabaja en técnicas de predicción y de optimización. Predicción de futuras observaciones y optimización para poder construir herramientas automáticas de ayuda a la toma de decisiones en ambiente de incertidumbre. Esto ya nos ha permitido obtener resultados interesantes, especialmente en el campo de la medicina y la salud pública, pero también en la industria y en las finanzas. En consecuencia, nuestro propósito es doble: profundizar en el estudio de modelos de predicción, que puedan incorporar relaciones temporales y/o espaciales, además de covariables, y seguir avanzando en el desarrollo de metodologías que incorporen la incertidumbre en la optimización, lo que nos permitirá construir nuevas herramientas de apoyo a la toma de decisiones en diferentes ámbitos de planificación y gestión. En concreto, serán objeto de investigación el análisis de escenarios con presencia de incertidumbre para los que existe información dada por una serie de datos históricos, para los que utilizaremos modelos de series temporales, y aquellos en los que además de la relación temporal existe una relación de vecindad entre observaciones contemporáneas, para los que utilizaremos modelos espacio-temporales. En trabajos previos hemos considerado modelos de predicción basados en modelos dinámicos de espacio de estados con innovaciones, y se ha avanzado teóricamente en la incorporación de multiestacionalidad, covariables y errores autocorrelados, con el objetivo de que puedan ser utilizados en la predicción automática de bancos de series temporales. Recientemente, hemos introducido métodos de series temporales fuzzy para obtener como predicción un número fuzzy que pueda ser incorporado en los modelos de optimización que utilizan lógica difusa para incorporar la incertidumbre. Pretendemos con ello ampliar el campo de aplicación de dichas metodologías mediante modelos de simulación-optimización que permitan analizar la calidad de las soluciones y la optimización de los objetivos. También estamos trabajando en series de tiempo composicionales, que permiten contextualizar los modelos mixtos para datos composicionales longitudinales multivariados en escenario del microbioma. Últimamente, estamos trabajando en combinación de predicciones, mediante medias ponderadas de predicciones obtenidas con distintos métodos, con el objetivo de diseñar un sistema de ayuda a la decisión que permita el ajustar los pesos y seleccionar de forma óptima los modelos de predicción para obtener pronósticos más fiables. El estudio de la variabilidad geográfica y temporal de los fenómenos de la salud goza actualmente de una gran popularidad dentro del mundo de la Epidemiología. Numerosos modelos de suavización de riesgos que incorporan simultáneamente la dependencia espacial de los riesgos entre regiones cercanas y la dependencia temporal de los riesgos para cada una de las regiones han sido propuestos en los últimos años. Los modelos clásicos han sido diseñados para realizar un análisis retrospectivo de las series temporales de incidencia y, por tanto, no tratan cuestiones fundamentales desde el punto de vista de la planificación de acciones preventivas y de control como son la predicción del comienzo de brotes infecciosos, predicción de picos de epidemias y finalización de las mismas. Queremos analizar algunos problemas relacionados con la predicción en propagación de epidemias, incidiendo simultáneamente en las componentes espacial y temporal del problema. En esa misma línea, incorporación simultanea de componente temporal y componente espacial a los modelos estudiados, estamos trabajando en diversos escenarios: extensión de modelo jerárquico bayesiano, propuesto recientemente por miembros de nuestro equipo, que permite estimar riesgos y detectar conglomerados de manera simultánea donde se considera que la dependencia espacial entre los riesgos relativos no se ajusta necesariamente a criterios de vecindad; extensión espacio-temporal de los modelos de compartimentos estocástico bayesiano; propuesta de un modelo espacio-temporal para el tratamiento de datos epidemiológicos en el escenario composicional, y propuesta de un modelo espacio-temporal para el análisis de las asociaciones entre exposiciones ambientales y salud. Todos esos resultados de predicción los utilizaremos en la construcción de sistemas de ayuda a la toma de decisiones basados en modelos de optimización bajo incertidumbre para distintos ámbitos. Entre ellos, además de los ámbitos anteriormente citados, trabajaremos problemas de gestión financiera, en especial el problema de selección de carteras. El problema de la selección de carteras trata de determinar una cartera óptima que satisfaga las preferencias del decisor, en cuanto al riesgo y al beneficio de la inversión. Hemos introducido la aproximación del rendimiento de una cartera mediante distribuciones de credibilidad, y medidas alternativas del riesgo de la inversión. Abordaremos el problema de selección de carteras introduciendo una función de pérdida que pueda ser visualizada por el inversor, como una medida de sus preferencias y desarrollaremos estrategias evolutivas de optimación multi-objetivo para determinar carteras eficientes para diferentes perfiles de riesgo del inversor.
[Leer más][Ocultar]
 
Página Web:

No indicada

 
Objetivos cientificotécnicos:
  • Desarrollo de metodologías que permitan incorporar la incertidumbre en la optimización en diferentes ámbitos de planificación y gestión de procesos
 
Líneas de investigación:
  • Análisis Bayesiano de Series Temporales Multivariantes. Desarrollo de modelos dinámicos multivariantes y su análisis mediante metodología bayesiana, utilizando métodos de simulación MCMC. Incorporación de dependencias espaciales a la estructura temporal de los modelos. Diseño e implementación en R de algoritmos para su análisis, estimación y predicción.
  • Modelos de selección de carteras de inversión. Desarrollo de modelos de selección de carteras, en los que la incertidumbre sobre el rendimiento se describe mediante distribuciones de posibilidad y credibilidad. Análisis multiobjetivo del problema de selección, buscando aproximaciones a la frontera de Pareto mediante algoritmos evolutivos.
  • Modelización con datos composicionales. Desarrollo de modelos con datos composicionales. En entornos como la biologia, la economia o la geologia, es habitual trabajar con vectores de datos cuyas componentes recogen la contribución relativa de diferentes partes en relación a un total, consiguiéndose muestras composicionales. Se trabajará en el progreso de la modelización estadística de los datos composicionales, en su aplicación y en su fundamentación matemática
  • Mapeo de enfermedades. Desarrollo de modelos jerárquicos bayesianos para el estudio de la variabilidad geográfica de enfermedades y su evolución temporal con el objetivo de ayudar en la toma de decisiones y en el desarrollo de programas de vigilancia.
 
Componentes del grupo:
Nombre Carácter de la participación Entidad Descripción
José Domingo Bermúdez EdoDirector-a UVEG-Valencia Catedràtic-a d'Universitat
Equip d'investigació
Ana Corberán ValletMembre UVEG-Valencia Titular d'Universitat
Francisco José Santonja GómezMembre UVEG-Valencia Titular d'Universitat
Enriqueta Vercher GonzálezMembre UVEG-Valencia Catedràtic-a d'Universitat
José Vicente Segura HerasCol·laborador-a UMH-Alicante Professor-a Titular d'Universitat