Data mining para determinar patrones del comportamiento de datos meteorológicos
| dc.contributor.author | Huere-Peña, Jorge | |
| dc.contributor.author | Gave-Chagua, Jose | |
| dc.contributor.author | Yaulilahua-Huacho, Russbelt | |
| dc.contributor.author | Salas-Contreras, William | |
| dc.contributor.author | Gonzales, Teresa | |
| dc.contributor.author | Ayuque-Rojas, Jose | |
| dc.date.accessioned | 2023-01-21T14:32:13Z | |
| dc.date.available | 2023-01-21T14:32:13Z | |
| dc.date.issued | 2022-12-20 | |
| dc.identifier.uri | https://directory.doabooks.org/handle/20.500.12854/96201 | |
| dc.language | Spanish | en_US |
| dc.subject.classification | thema EDItEUR::R Earth Sciences, Geography, Environment, Planning::RP Regional and area planning::RPC Urban and municipal planning and policy | en_US |
| dc.subject.other | variables meteorológicas | en_US |
| dc.subject.other | comportamiento meteorológico | en_US |
| dc.subject.other | data mining | en_US |
| dc.title | Data mining para determinar patrones del comportamiento de datos meteorológicos | en_US |
| dc.type | book | |
| dc.description.version | Published | en_US |
| oapen.abstract.otherlanguage | El libro es una adaptación de una investigación presentada a la Universidad Nacional de Huancavelica, que tuvo como objetivo determinar patrones de comportamiento de datos obtenidos mediante éstas técnicas, de las variables meteorológicas en la ciudad de Huancavelica (Perú) como son: la temperatura ambiental, presión atmosférica, humedad atmosférica, velocidad del viento, radiación solar, radiación ultra violeta y precipitación pluvial utilizando para ello una estación meteorológica automatizada de la compañía Weather Link, Marca DAVIS, Modelo Vantage Pro y una consola para el almacenamiento de datos Vantage Pro en texto plano y que posteriormente fueron procesados, descritos y analizados usando el software SPSS Statistical y WRPLOT en el caso particular de la variable dirección del viento y para la determinación de comportamientos y patrones se usó la metodología CRISP-DM. Los resultados obtenidos fueron clúster de las variables meteorológicas con algoritmos de aprendizaje no supervisado y predicciones de la variable precipitación pluvial con algoritmos de aprendizaje supervisados obteniendo 84,9% de probabilidades de éxito en el pronóstico y en el caso de los clúster grupos de cuatro y diez significativamente diferentes. | en_US |
| oapen.identifier.doi | 10.35622/inudi.b.066 | en_US |
| oapen.relation.isPublishedBy | ba558906-c673-46ef-9cd1-d0b6212af0e3 | |
| oapen.relation.isbn | 978-612-5069-55-9 | en_US |
| oapen.pages | 68 | en_US |
| oapen.place.publication | Puno | en_US |
Files in this item
| Files | Size | Format | View |
|---|---|---|---|
|
There are no files associated with this item. |
|||
This item appears in the following Collection(s)
Except where otherwise noted, this item's license is described
as
https://creativecommons.org/licenses/by/4.0/