Imputation method based on recurrent neural networks for the internet of things
Sebastián Rodríguez Colina · 2018
El Internet de las Cosas (IoT) es un nuevo paradigma tecnologico, en el cual sensores y objetos comunes, como electrodomesticos, se conectan e interactuan a traves de la Internet -- Este nuevo paradigma, de la mano con tecnicas de Inteligencia Artificial (AI) y tecnicas modernas para el analisis de datos, hace posible el desarrollo de productos y servicios inteligentes; lo que promete revolucionar la industria y la forma de vida de los humanos -- Sin embargo, existen muchos problemas que deben ser solucionados para poder contar con productos y servicios confiables basados en el IoT -- Dentro de estos problemas, el problema de los datos faltantes impide la correcta aplicacion de modernas tecnicas the AI y analisis de datos en aplicaciones basadas en el IoT -- Este escrito presenta un analisis del problema de los datos faltantes en el contexto del IoT, asi como metodos de imputacion actuales propuestos a solucionar este problema -- Del analisis se concluye que las soluciones actuales tienen grandes limitaciones si se considera lo amplio del contexto de las applicaciones basadas en IoT -- El analisis tambien expone que no hay un marco experimental en comun que pueda ser usado por los diferentes autores, y que los experimentos encontrados carecen de reproducibilidad y no consideran adecuadamente como el problema de los datos faltantes se presenta en el contexto en particular del IoT -- De acuerdo con lo anterior, este escrito presenta dos propuestas principales: i) un marco experimental que permite evaluar adecuadamente los metodos de imputacion que se pretendan evaluar en este contexto; y ii) un metodo de imputacion que es lo suficientemente general como para ser aplicado en los diferentes escenarios del IoT -- El metodo de imputacion se basa en el uso de Redes Neuronales Recurrentes, una familia de metodos de aprendizaje supervisado que ha mostrado un buen desempeno explotando patrones de datos sequenciales y relaciones intrinsecas entre variables