Mario Rabanal Pérez del Río
Ciencia e Ingeniería de Datos
El proyecto se centra en analizar datos temporales de sesiones de carga de vehículos, principalmente de las estaciones GUPPY y TUA, para identificar patrones relevantes mediante técnicas de clustering no supervisado. Se aplicaron métodos de reducción de dimensionalidad (PCA, t-SNE, UMAP) que permitieron visualizar los datos en espacios simplificados, facilitando la identificación de relaciones locales y globales. Los algoritmos de clustering como k-means, DBSCAN, HDBSCAN y OPTICS se utilizaron tanto en datos escalados como no escalados, evidenciando la importancia de la normalización en los resultados. Finalmente, se integraron los resultados mediante ensembles, combinando múltiples algoritmos y representaciones, logrando una segmentación más robusta y consistente. Aunque los resultados son prometedores, la ausencia de identificadores específicos de vehículos limita la validación de los clusters obtenidos. El futuro del proyecto incluye incorporar dichos identificadores para validar los hallazgos, modelar la evolución temporal de las curvas de carga y desarrollar modelos predictivos que identifiquen vehículos y anticipen el comportamiento de sus baterías.
Deja una respuesta