456481_es-ES

liliconcom

Necesita ayuda para determinar qué datos deben amenazarse como aleatorios en mediciones repetidas

Hola.

¿Alguien puede ayudarme con esto o verificar que estoy en el buen camino aquí?

 

Tengo datos en un formato largo que contiene mes (de enero a marzo), día del mes (del 1 al 31), turno (del 1 al 3), consumo total de energía dentro del turno (esta es una variable dependiente) y tiempo de trabajo en horas de 12 sistemas (máquinas) diferentes dentro de un turno (de 0 a 8 horas).

 

Quiero averiguar el consumo de energía de cada sistema y poder predecir el consumo de energía esperado en el futuro en función de las horas de trabajo esperadas de cada sistema.

 

Como hay medidas repetidas, el modelo mixto me parece apropiado. Ahora, tengo un problema con lo que debo tratar como un problema fijo, aleatorio y repetido.

 

Estoy pensando en el mes como aleatorio, ya que contiene solo una muestra (3 meses) de todos los meses dentro de un año. Además, las observaciones no son aleatorias sino secuenciales. Puede ser esto un problema?

Estoy mirando el día y el turno como fijos, ya que cubren todos los días y turnos dentro de un mes. ¿Es este un enfoque apropiado?

 

Sobre la estructura repetida, creo que ese día debería repetirse la medida, pero ¿qué estructura es la adecuada?

 

Además, ¿puede explicar qué y cómo se debe anidar? Estoy pensando en anidar turnos en días y días en meses. Se puede hacer esto? ¿Cómo debería hacerlo?

Este es mi pensamiento intuitivo y agradecería si me envían sus comentarios y ayuda. También se agradecería compartir cualquier tutorial sobre cómo anidar, ya que esta es mi primera experiencia con JMP.

 

Gracias a todos

AnalíticaOtroventanasRe: Necesito ayuda para determinar qué datos deben amenazarse como aleatorios en mediciones repetidas

Hola @MáquinaHipopótamo109 ,

 

Suena como un problema interesante. ¿Puede compartir los datos en un archivo JMP? La estructura de su tabla de datos suena un poco complicada para hacer algo por mi cuenta y asegurarme de que tenga la estructura de datos correcta.

 

Parece que tiene una recopilación de datos de series temporales en 12 máquinas diferentes que operan entre 0 y 8 horas para diferentes turnos. Esto podría modelarse usando muchos enfoques diferentes. Un enfoque podría ser hacer un pronóstico de series de tiempo. Otro podría ser NN o Boosted Trees, o incluso un modelo GenReg podría funcionar bien para ajustarse a los datos. Pero parece que está tratando de predecir el futuro consumo de energía de cada máquina en función del total de horas de funcionamiento, ¿no es así?

 

Me interesaría probarlo y ver qué método de modelado funciona mejor. Una cosa que definitivamente deberá hacer es dividir los datos en conjuntos de entrenamiento/validación/prueba para asegurarse de tener el mejor modelo posible. O eso, o tendrá que simular datos con una estructura de correlación similar para que pueda usar esos datos simulados para entrenar el modelo y probarlo en los datos reales.

 

Si puede compartir los datos, podría probar algunas cosas y decirle lo que encuentre.

 

¡Suena divertido!,

SD

Re: Necesito ayuda para determinar qué datos deben amenazarse como aleatorios en mediciones repetidas

Hola SDF1 y gracias por tu rápida respuesta.

Lamentablemente, no puedo compartir datos, ya que son datos reales de la empresa en la que tengo una pasantía. Sin embargo, los datos se ven así:

 

Mes Turno Día Consumo en MWh Sistema1 en Hr Sistema2 en Hr Sistema3 en Hr .......

1 1 1 3.8 8 2 5 .......

1 1 2 3.2 8 6 6 .......

 

Estoy más interesado en cuánta energía consume cada sistema y, por supuesto, predecir el consumo futuro en función de los tiempos de producción/trabajo planificados.

Re: Necesito ayuda para determinar qué datos deben amenazarse como aleatorios en mediciones repetidas

Hace algunos años ayudé a un cliente con un modelo de planificación de recursos. Tenían el plan del proyecto donde el líder del proyecto podía ingresar cosas como la complejidad o el nivel de innovación, y querían obtener una suposición sobre qué recursos y tiempos necesitan para terminar el proyecto. Antes lo hacían por experiencia del líder del proyecto y resultó que el nuevo modelo los superó en casi todos los casos por mucho.

 

Contaban con los tiempos de las diferentes fases del proyecto, y los recursos (personas) que intervienen en cada fase a partir de datos previos y la duración real del mismo.

Una clave del éxito fue un paso de agrupamiento (aquí fue un análisis de clase latente) para encontrar buenos predictores para los diferentes escenarios, ya que un modelo general no funcionó bien.

Luego, crearon el modelo para cada escenario de clúster y utilizaron conjuntos de validación y prueba para encontrar el mejor modelo y probarlo con datos no vistos.

Para el proceso de modelado comparamos diferentes estrategias en JMP Pro, como bosque Bootstrap, Regresión Generalizada con varios métodos (lasso, red elástica, ...), Neural Nets y otros. Compararlos fue importante para comprender posibles fallas o situaciones en las que (y por qué) un modelo funciona mejor (ya que a veces estaba en un entorno que no les interesaba tanto, por lo que se elegiría un modelo que funcionaba mejor para los demás, incluso si el rendimiento general hubiera sido un poco más bajo).

Finalmente, tenían modelos para los escenarios agrupados y utilizaron el modelo apropiado para predecir la escala de tiempo y el plan de recursos en función de la configuración de su proyecto.

 

Creo que la transferencia a su situación no debería ser tan difícil. Lo que quería señalar es que primero debe comprender sus datos antes de pasar directamente a su proceso de modelado. Puede haber un escenario (puede que aún no esté en los datos, como línea o equipo de prueba, ...) que genere una salida diferente para la misma configuración de parámetros debido a esa variable al acecho. Recoger todos los datos en una gran cesta probablemente conduciría a una mala predicción.

 

 

 

 

Re: Necesito ayuda para determinar qué datos deben amenazarse como aleatorios en mediciones repetidas

Hola @MáquinaHipopótamo109 ,

 

El problema parece bastante sencillo, pero requerirá que explore sus datos usando muchas plataformas diferentes dentro de JMP. Evaluar cosas como GenReg, árboles de decisión, SVM, NN, KNN, PLS y solo mínimos cuadrados estándar, por ejemplo. No creo que su estructura de datos tenga el formato correcto para un análisis/predicción de series temporales. La plataforma de series de tiempo requiere identificadores de tiempo únicos para cada observación (fila). Por lo tanto, tener turnos 1, 2, 3 para el Día 1 (y así sucesivamente) no funcionaría.

 

Según la estructura que compartió, parece que cada sistema (1-12) está en funcionamiento durante 0-8 horas durante un turno determinado en un día determinado y el consumo de energía es el consumo total de energía para todos los sistemas.

 

Al desarrollar un modelo, si utiliza la plataforma estándar Fit Model, es posible que desee pensar/consultar con sus compañeros de trabajo para ver si existe alguna razón por la que necesite/quiera incluir términos cruzados (mixtos) en su modelo. Por ejemplo, tal vez sepa que hay algún término cruzado entre systemX Hrs y el turno, como que System5 siempre se ejecuta durante al menos 6 horas durante el turno 3, pero menos de 4 horas para los otros dos turnos. Esto introduciría un efecto en el que se entremezclan las horas de uso del turno y del sistema. No recomiendo agregar eso a menos que tenga evidencia previa de que existan tales interacciones.

 

Como se mencionó anteriormente, querrá dividir los datos (Potencia en MWh) en al menos conjuntos de entrenamiento y validación, y probablemente querrá estratificarlos tanto por Potencia como por Turno para que los conjuntos de entrenamiento y validación estén igualmente representados en turnos y mantener la misma distribución para el uso del Sistema Hr. Adjunté una tabla de datos simulados con la misma estructura que la suya que sería para enero y febrero. La columna de validación que hice, la estratifiqué por Power y Shift, y puede explorar las distribuciones y ver cómo se dividen los datos: 75% de entrenamiento y 25% de validación. Incluso podría considerar hacer un entrenamiento 60/20/20 dividido en 60 %, 20 % de validación y 20 % de prueba y luego dividir (hacerlo como un subconjunto) los datos de prueba para comparar los diferentes modelos.

 

En última instancia, deberá explorar modelos con varias plataformas diferentes y optimizar el ajuste con cada modelo. Una vez que haya generado varios modelos, probablemente querrá ver cuál funciona mejor evaluando cada modelo en el conjunto de "prueba" retenido; estos serían datos que no se usan en el entrenamiento o la validación de modelos. El modelo con mejor rendimiento sería el que desearía implementar para su empresa.

 

Para volver al título de su hilo, no parece que necesite tener un efecto aleatorio incluido en su modelo. No creo que necesite tratar ninguno de los datos como aleatorios.

 

¡Espero que esto ayude!,

SD