En este trabajo se propone un método para la optimización de los hiperparámetros de una máquina de regresión de soporte vectorial mediante la adaptación de la metaheurística de enjambre de partículas. El método se utiliza para pronosticar la serie de tiempo del total de casos positivos acumulados de la reciente enfermedad COVID-19 en la ciudad de Bogotá, Colombia. Para validar el rendimiento del método se establece una comparación con la máquina de regresión de soporte vectorial sin hiperparámetros optimizados, en términos de métricas de medición del rendimiento como lo son el error cuadrático medio, error absoluto medio y el coeficiente de determinación. Con un valor en el error cuadrático medio de 0,000045, un coeficiente de determinación de 0,998884 y el valor-p de 0,0015, para la prueba no paramétrica de Wilcoxon, el método propuesto presenta un mejor desempeño en el pronóstico. Finalmente se pone a discusión la aplicabilidad de este tipo de métodos en el pronóstico de casos en las epidemias.
Colombian transitory crop production exhibits marked structural heterogeneity across department–crop combinations, yet empirical characterizations of productive scale at the subnational level remain scarce. This study presents a descriptive analysis and clustering-based productive scale segmentation of Colombian transitory crops at the departmental level for the period 2007–2024. Data from the Evaluaciones Agropecuarias Municipales (EVA) were processed through a structured CRISP-DM pipeline comprising preprocessing of 347,141 records, departmental aggregation, and engineering of five clustering features: average production, average planted area, number of active periods, and temporal and spatial Herfindahl–Hirschman indices. K-Means clustering () was applied to a final dataset of 490 department–crop pairs and validated based on a global silhouette coefficient of 0.888. The segmentation reveals a markedly asymmetric productive structure: 93.7% small scale (459 pairs), 5.3% medium scale (26 pairs), and 1.0% large scale (5 pairs), with natural breakpoints at approximately 35,386 t and 275,959 t. Large-scale production is concentrated in papa (Cundinamarca, Boyacá, Nariño) and arroz (Casanare, Tolima). Clustering demonstrated quantitative superiority over quartile-based classification, reducing the within-group coefficient of variation from 223.9% to 30.6% for the upper segment. The methodology is replicable across national agricultural statistics systems, and the processed dataset is publicly available under CC BY 4.0.
2 July 2021 in Investigación e Innovación en Ingenierías
Objetivo: optimizar los hiperparámetros de una máquina de regresión de soporte vectorial mediante la adaptación de la metaheurística de enjambre de partículas para pronosticar la serie de tiempo del total de casos positivos acumulados de la reciente enfermedad COVID-19 en la ciudad de Bogotá, Colombia. Metodología: se plantea un algoritmo híbrido de regresión de soporte vectorial y optimización por enjambre de partículas para encontrar el valor óptimo de los hiperparámetros de una máquina de regresión de soporte vectorial que mejor rendimiento muestre en el pronóstico de la serie de tiempo. Se valida a través de una comparación de los valores reales con los predichos obtenidos por una máquina de regresión sin hiperparámetros optimizados, en términos de métricas de desempeño como el error cuadrático medio, error absoluto medio y coeficiente de determinación. Resultados: cualitativamente se verifica el rendimiento mediante los pronósticos obtenidos en la serie de tiempo; cuantitativamente, con un valor en el error cuadrático medio de 0,000045 y un coeficiente de determinación de 0,998884, el método propuesto presenta un mayor desempeño. Conclusiones: el algoritmo presentado y aplicado es útil para el pronóstico de series de tiempo; con este algoritmo se aporta al campo de investigación; finalmente se discute sobre la implementación de este método en el contexto epidemiológico.