Análise, deseño e implementación de modelos de aprendizaxe máquina: predición usando datos sensóricos de buques arrastreiros
Title
Análise, deseño e implementación de modelos de aprendizaxe máquina: predición usando datos sensóricos de buques arrastreirosAuthor(s)
Directors
Rouco Maseda, JoséDate
2020-09Center/Dept./Entity
Enxeñaría informática, Grao enDescription
Traballo fin de grao (UDC.FIC). Enxeñaría informática. Curso 2019/2020Abstract
[Resumo] En Galicia, a pesca representa un sector de alta importancia a nivel socioeconómico. En concreto,
o eido da pesca de arrastre é unha das artes pesqueiras con máis peso. Con todo, os
patróns dos buques arrastreiros enfróntanse a certos riscos debido ao descoñecemento do
fondo mariño. A isto súmase un certo atraso tecnolóxico do propio sector.
Partindo da infraestrutura xa existente neste tipo de barcos, nesta proposta preténdese
deseñar unha posible solución a un dos problemas que máis perdas económicas xera: o enfangamento
do aparello. O obxectivo principal do proxecto é obter unha predición precoz
do estado do aparello para evitar este problema. Isto conseguirase mediante a aplicación de
técnicas de aprendizaxe máquina a datos sensóricos de buques arrastreiros. Aplícanse algoritmos
tales como a regresión lineal, os bosques aleatorios, e as máquinas de soporte vectorial
para obter modelos de predición.
Búscase ademais despregar os modelos obtidos nunha aplicación web que poida ser instalada
nas computadoras das embarcacións. Os resultados obtidos nos modelos foron adecuados
para este problema, pero ao ser este un estudo novidoso neste tema, non se puideron comparar
os resultados con outros traballos semellantes. [Abstract] In Galicia, fishing represents a socioeconomic high impact sector. Particularly, trawl fishing
is one of the most important fishing techniques. Nonetheless, captains from trawling
ships face some risks as a result of the lack of knowledge of the marine bottom. Also, the
sector suffers some technological backwardness.
Starting from the current infrastructure in this kind of ships, in this proposal a possible
solution is designed for one of the problems that generates more economical losses: the mud
catch in the trawling rig. Tha main objective in this project is to obtain an early prediction
of the state of the trawling rig to avoid this problem. This will be achieved through the application
of machine learning techniques to sensory data from trawling vessels. Algorithms
like linear regression, random forests and support vector machines are used to obtain the
prediction models.
We also seek to deploy these models in a web application that can be installed in the
vessels computers. The obtained results were good for our data, but because this research is
unique in this field, it couldn’t be compared with similar works.
Keywords
Barcos de arrastre
Pesca
Sensores
Aprendizaxe máquina
Regresión lineal
Máquinas de soporte vectorial
Bosques aleatorios
Trawling ships
Fishing
Sensors
Machine learning
Linear regression
Support vector machines
Random forest
Pesca
Sensores
Aprendizaxe máquina
Regresión lineal
Máquinas de soporte vectorial
Bosques aleatorios
Trawling ships
Fishing
Sensors
Machine learning
Linear regression
Support vector machines
Random forest