Abstract This article explores the design and application of machine learning techniques to enhance traditional approaches for solving NP-hard optimization problems. Specifically, it focuses on the Last-Mile Routing Research Challenge (LMRRC), supported by Amazon and MIT, which sought innovative solutions for cargo routing optimization. While the challenge provided travel times and zone identifiers, the dependency on these factors raises concerns about the algorithms’ generalizability to different contexts and regions with standard delivery services registries. To address these concerns, this study proposes personalized cost matrices that incorporate both distance and time models, along with the relationships between delivery stops. Additionally, it presents an improved approach to sequencing stops by combining exact and approximate algorithms, utilizing a customized regression technique alongside fine-tuned metaheuristics and heuristics refinements. The resulting methodology achieves competitive scores on the LMRRC validation dataset, which comprises routes from the USA. By carefully delineating route characteristics, the study enables the selection of specific technique combinations for each route, considering its geometrical and geographical attributes. Furthermore, the proposed methodologies are successfully applied to real-case scenarios of last-mile deliveries in Montevideo (Uruguay), demonstrating similar average scores and accuracy on new testing routes. This research contributes to the advancement of last-mile delivery optimization by leveraging personalized cost matrices and algorithmic refinements. The findings highlight the potential for improving existing approaches and their adaptability to diverse geographic contexts, paving the way for more efficient and effective delivery services in the future.

Resumen Este artículo explora el diseño y aplicación de técnicas de aprendizaje automático para mejorar los enfoques tradicionales y así resolver problemas de optimización NP-hard. En particular, se enfoca en el Last-Mile Routing Research Challenge (LMRRC), apoyado por Amazon y MIT, que buscaba soluciones innovadoras para la optimización de rutas de carga. Si bien el desafío proporcionó tiempos de viaje e identificadores de zona, la dependencia de estos factores plantea preocupaciones sobre la generalización de los algoritmos a diferentes contextos y regiones con registros de servicios de entrega estándar. Para abordar estas interrogantes, este estudio propone matrices de costos personalizadas que incorporan modelos de distancia y tiempo, junto con las relaciones entre las paradas de entrega. Además, presenta enfoques mejorados para la secuenciación de paradas mediante la combinación de algoritmos exactos y aproximados, utilizando técnicas de regresión personalizada junto con metaheurísticas y refinamientos heurísticos ajustados. La metodología resultante logra puntajes competitivos en el conjunto de datos de validación LMRRC, que usa rutas de EE. UU. Al delinear cuidadosamente las características de la ruta, el estudio permite la selección de combinaciones de técnicas específicas para cada ruta, considerando sus atributos geométricos y geográficos. Además, las metodologías propuestas se aplican con éxito a escenarios de casos reales de entregas en Montevideo (Uruguay), demostrando puntajes promedio y precisión similares en nuevas rutas de prueba. Esta investigación contribuye al avance de la optimización de la entrega de última milla al aprovechar matrices de costos personalizadas y refinamientos algorítmicos. Los hallazgos resaltan el potencial para mejorar los enfoques existentes y su adaptabilidad a diversos contextos geográficos, allanando el camino para servicios de entrega más eficientes y efectivos en el futuro.

Abstract: Severe acute respiratory infection (SARI) outbreaks occur annually, with seasonal peaks varying among geographic regions. Case notification is important to prepare healthcare networks for patient attendance and hospitalization. Thus, health managers need adequate resource planning tools for SARI seasons. This study aims to predict SARI outbreaks based on models generated with machine learning using SARI hospitalization notification data. In this study, data from the reporting of SARI hospitalization cases in Brazil from 2013 to 2020 were used, excluding SARI cases caused by COVID-19. These data were prepared to feed a neural network configured to generate predictive models for time series. The neural network was implemented with a pipeline tool. Models were generated for the five Brazilian regions and validated for different years of SARI outbreaks. By using neural networks, it was possible to generate predictive models for SARI peaks, volume of cases per season, and for the beginning of the pre-epidemic period, with good weekly incidence correlation (R2 = 0.97; 95%CI: 0.95-0.98, for the 2019 season in the Southeastern Brazil). The predictive models achieved a good prediction of the volume of reported cases of SARI; accordingly, 9,936 cases were observed in 2019 in Southern Brazil, and the prediction made by the models showed a median of 9,405 (95%CI: 9,105-9,738). The identification of the period of occurrence of a SARI outbreak is possible using predictive models generated with neural networks and algorithms that employ time series.

Resumen: Brotes de síndrome respiratorio agudo grave (SRAG) ocurren todos los años, con picos estacionales que varían entre regiones geográficas. La notificación de los casos es importante para preparar las redes de atención a la salud para el cuidado y hospitalización de los pacientes. Por lo tanto, los gestores de salud deben tener herramientas adecuadas de planificación de recursos para las temporadas de SRAG. Este estudio tiene el objetivo de predecir brotes de SRAG con base en modelos generados con aprendizaje automático utilizando datos de hospitalización por SRAG. Se incluyeron datos sobre casos de hospitalización por SRAG en Brasil desde 2013 hasta 2020, salvo los casos causados por la COVID-19. Se prepararon estos datos para alimentar una red neural configurada para generar modelos predictivos para series temporales. Se implementó la red neural con una herramienta de canalización. Se generaron los modelos para las cinco regiones brasileñas y se validaron para diferentes años de brotes de SRAG. Con el uso de redes neurales, se pudo generar modelos predictivos para los picos de SRAG, el volumen de casos por temporada y para el inicio del periodo pre-epidémico, con una buena correlación de incidencia semanal (R2 = 0,97; IC95%: 0,95-0,98, para la temporada de 2019 en la Región Sudeste). Los modelos predictivos tuvieron una buena predicción del volumen de casos notificados de SRAG; así, se observaron 9.936 casos en 2019 en la Región Sur, y la predicción de los modelos mostró una mediana de 9.405 (IC95%: 9.105-9.738). La identificación del periodo de ocurrencia de un brote de SRAG es posible a través de modelos predictivos generados con el uso de redes neurales y algoritmos que aplican series temporales.

Resumo: Surtos de síndrome respiratória aguda grave (SRAG) ocorrem anualmente, com picos sazonais variando entre regiões geográficas. A notificação dos casos é importante para preparar as redes de atenção à saúde para o atendimento e internação dos pacientes. Portanto, os gestores de saúde precisam ter ferramentas adequadas de planejamento de recursos para as temporadas de SRAG. Este estudo tem como objetivo prever surtos de SRAG com base em modelos gerados com aprendizado de máquina usando dados de internação por SRAG. Foram incluídos dados sobre casos de hospitalização por SRAG no Brasil de 2013 a 2020, excluindo os casos causados pela COVID-19. Estes dados foram preparados para alimentar uma rede neural configurada para gerar modelos preditivos para séries temporais. A rede neural foi implementada com uma ferramenta de pipeline. Os modelos foram gerados para as cinco regiões brasileiras e validados para diferentes anos de surtos de SRAG. Com o uso de redes neurais, foi possível gerar modelos preditivos para picos de SRAG, volume de casos por temporada e para o início do período pré-epidêmico, com boa correlação de incidência semanal (R2 = 0,97; IC95%: 0,95-0,98, para a temporada de 2019 na Região Sudeste). Os modelos preditivos obtiveram uma boa previsão do volume de casos notificados de SRAG; dessa forma, foram observados 9.936 casos em 2019 na Região Sul, e a previsão feita pelos modelos mostrou uma mediana de 9.405 (IC95%: 9.105-9.738). A identificação do período de ocorrência de um surto de SRAG é possível por meio de modelos preditivos gerados com o uso de redes neurais e algoritmos que aplicam séries temporais.

Abstract: Severe acute respiratory infection (SARI) outbreaks occur annually, with seasonal peaks varying among geographic regions. Case notification is important to prepare healthcare networks for patient attendance and hospitalization. Thus, health managers need adequate resource planning tools for SARI seasons. This study aims to predict SARI outbreaks based on models generated with machine learning using SARI hospitalization notification data. In this study, data from the reporting of SARI hospitalization cases in Brazil from 2013 to 2020 were used, excluding SARI cases caused by COVID-19. These data were prepared to feed a neural network configured to generate predictive models for time series. The neural network was implemented with a pipeline tool. Models were generated for the five Brazilian regions and validated for different years of SARI outbreaks. By using neural networks, it was possible to generate predictive models for SARI peaks, volume of cases per season, and for the beginning of the pre-epidemic period, with good weekly incidence correlation (R2 = 0.97; 95%CI: 0.95-0.98, for the 2019 season in the Southeastern Brazil). The predictive models achieved a good prediction of the volume of reported cases of SARI; accordingly, 9,936 cases were observed in 2019 in Southern Brazil, and the prediction made by the models showed a median of 9,405 (95%CI: 9,105-9,738). The identification of the period of occurrence of a SARI outbreak is possible using predictive models generated with neural networks and algorithms that employ time series.

Resumen: Brotes de síndrome respiratorio agudo grave (SRAG) ocurren todos los años, con picos estacionales que varían entre regiones geográficas. La notificación de los casos es importante para preparar las redes de atención a la salud para el cuidado y hospitalización de los pacientes. Por lo tanto, los gestores de salud deben tener herramientas adecuadas de planificación de recursos para las temporadas de SRAG. Este estudio tiene el objetivo de predecir brotes de SRAG con base en modelos generados con aprendizaje automático utilizando datos de hospitalización por SRAG. Se incluyeron datos sobre casos de hospitalización por SRAG en Brasil desde 2013 hasta 2020, salvo los casos causados por la COVID-19. Se prepararon estos datos para alimentar una red neural configurada para generar modelos predictivos para series temporales. Se implementó la red neural con una herramienta de canalización. Se generaron los modelos para las cinco regiones brasileñas y se validaron para diferentes años de brotes de SRAG. Con el uso de redes neurales, se pudo generar modelos predictivos para los picos de SRAG, el volumen de casos por temporada y para el inicio del periodo pre-epidémico, con una buena correlación de incidencia semanal (R2 = 0,97; IC95%: 0,95-0,98, para la temporada de 2019 en la Región Sudeste). Los modelos predictivos tuvieron una buena predicción del volumen de casos notificados de SRAG; así, se observaron 9.936 casos en 2019 en la Región Sur, y la predicción de los modelos mostró una mediana de 9.405 (IC95%: 9.105-9.738). La identificación del periodo de ocurrencia de un brote de SRAG es posible a través de modelos predictivos generados con el uso de redes neurales y algoritmos que aplican series temporales.

Resumo: Surtos de síndrome respiratória aguda grave (SRAG) ocorrem anualmente, com picos sazonais variando entre regiões geográficas. A notificação dos casos é importante para preparar as redes de atenção à saúde para o atendimento e internação dos pacientes. Portanto, os gestores de saúde precisam ter ferramentas adequadas de planejamento de recursos para as temporadas de SRAG. Este estudo tem como objetivo prever surtos de SRAG com base em modelos gerados com aprendizado de máquina usando dados de internação por SRAG. Foram incluídos dados sobre casos de hospitalização por SRAG no Brasil de 2013 a 2020, excluindo os casos causados pela COVID-19. Estes dados foram preparados para alimentar uma rede neural configurada para gerar modelos preditivos para séries temporais. A rede neural foi implementada com uma ferramenta de pipeline. Os modelos foram gerados para as cinco regiões brasileiras e validados para diferentes anos de surtos de SRAG. Com o uso de redes neurais, foi possível gerar modelos preditivos para picos de SRAG, volume de casos por temporada e para o início do período pré-epidêmico, com boa correlação de incidência semanal (R2 = 0,97; IC95%: 0,95-0,98, para a temporada de 2019 na Região Sudeste). Os modelos preditivos obtiveram uma boa previsão do volume de casos notificados de SRAG; dessa forma, foram observados 9.936 casos em 2019 na Região Sul, e a previsão feita pelos modelos mostrou uma mediana de 9.405 (IC95%: 9.105-9.738). A identificação do período de ocorrência de um surto de SRAG é possível por meio de modelos preditivos gerados com o uso de redes neurais e algoritmos que aplicam séries temporais.

Objective: the investigation of physical, lifestyle and socioeconomic features that may be associated with the occurrence of prostate cancer in Brazil. Methods: a microdata base referring to the 2019 National Health Survey in Brazil was used, with the selection of 42,799 male individuals; this group was analyzed using statistical methods and machine learning modeling (logistic regression and decision tree). Results: the models applied allowed us to identify with a good level of accuracy individuals with prostate cancer diagnosis (DCP), in addition to groups with specific features more strongly associated with such a disease. Conclusion: the models indicate a significant influence of socioeconomic, physical and dietary factors on the frequency of DCP in the analyzed group. The high level of accuracy and sensitivity of the models demonstrates the potential of machine learning methods for predicting DCP.

Objetivo: investigar características físicas, de estilo de vida y socioeconómicas que pueden estar asociadas con la aparición de cáncer de próstata en Brasil. Métodos: se utilizó una base de microdatos referente a la Encuesta Nacional de Salud de 2019, con la selección de 42.799 individuos del sexo masculino; este grupo fue analizado mediante métodos estadísticos y modelado de machine learning (regresión logística y árbol de decisión). Resultados: los modelos aplicados permitieron identificar con buen nivel de exactitud a los individuos con diagnóstico de cáncer de próstata (DCP), además de grupos con características específicas más fuertemente asociadas a esta enfermedad. Conclusión: los modelos indican influencia significativa de factores socioeconómicos, físicos y dietéticos sobre la frecuencia de DCP en el grupo analizado. El alto nivel de exactitud y sensibilidad de los modelos demuestra el potencial de los métodos de machine learning para predecir la DCP.

Objetivo: investigar características físicas, de hábitos de vida e socioeconômicas que podem estar associadas à ocorrência de câncer de próstata no Brasil. Métodos: uma base de microdados referente à Pesquisa Nacional de Saúde 2019 foi utilizada, com a seleção de 42.799 indivíduos do sexo masculino; este grupo foi analisado por meio de métodos estatísticos e modelagem por machine learning (regressão logística e árvore de decisão). Resultados: os modelos aplicados permitiram identificar com bom nível de acurácia os indivíduos que receberam o diagnóstico de câncer de próstata (DCP), além de grupos com características específicas mais fortemente associados a esta doença. Conclusão: os modelos indicam uma influência significativa de fatores socioeconômicos, físicos e alimentares na frequência de DCP no grupo analisado. O alto nível de acurácia e sensibilidade dos modelos demonstra o potencial dos métodos de machine learning para a previsão de DCP.

Resumen: La evaluación de la estabilidad de voltaje en tiempo real, mediante métodos convencionales, resulta en una tarea difícil debido al gran volumen de información, los elevados tiempos de ejecución y el esfuerzo computacional requerido. Con estos antecedentes, el presente trabajo técnico propone un método alternativo que permite la estimación del margen de estabilidad de voltaje a través de la aplicación de algoritmos de inteligencia artificial y minería de datos. Para ello, se generaron 10 000 escenarios operativos mediante simulaciones de Monte Carlo, considerando la variabilidad de la carga y el criterio de seguridad n-1. Posteriormente, se determinaron los márgenes de estabilidad de voltaje de todos los escenarios mediante el uso de las curvas voltaje-potencia (PV, por sus siglas en inglés), con la finalidad de obtener una base de datos. Esta información permitió estructurar una matriz de datos para entrenar y evaluar la red neuronal artificial y la máquina vectorial de soporte, capaz de predecir el margen de estabilidad de voltaje, incluso en tiempo real. El desempeño de las herramientas de predicción se evaluó a través del error cuadrático medio y del coeficiente de determinación. La metodología propuesta se aplicó al sistema de prueba IEEE 14 bus, mostrando resultados prometedores tanto para la red neuronal como para la máquina vectorial, donde los coeficientes de determinación fueron 0.9153 y 0.8317, respectivamente.

Abstract: Real-time voltage stability assessment, via conventional methods, is a difficult task due to the required large volume of information, high execution times and computational cost. Based on this background, this technical work proposes an alternative method for voltage stability margin estimation through the application of artificial intelligence and data mining algorithms. For this purpose, 10 000 operate scenarios were generated through Monte Carlo simulations, considering the load variability and the n-1 security criterion. Afterwards, the voltage stability margin of all scenarios were determined using power-voltage (PV) curves in order to obtain a database. This information allowed structuring a data matrix for training and evaluating an artificial neural network and a support vector machine, capable of predicting the voltage stability margin, even in real time. The performance of the prediction tools was evaluated through the mean square error and the coefficient of determination. The proposed methodology was applied to the IEEE 14 bus test system, showing so promising results for both the neural network and the vector machine, where the coefficients of determination were 0.9153 and 0.8317, respectively.

Resumen El uso de plantas solares fotovoltaicas para la generación de energía eléctrica ha ido en constante aumento en los últimos años. Muchas de estas se conectan a la red eléctrica externa, por lo que se hace necesario el pronóstico de la energía eléctrica generada por las plantas solares para coadyuvar en la gestión del operador de la red. En esta investigación se presenta una metodología basada en la ciencia de datos para desarrollar el pronóstico de energía eléctrica generada de plantas solares fotovoltaicas, utilizando, para efectos de comparación, tres técnicas diferentes: análisis de series de tiempo, regresión lineal múltiple, y red neuronal artificial. Se trabajó con los datos históricos de la potencia pico, la irradiancia solar, la temperatura ambiente, la velocidad del viento, y la tasa de suciedad, de una planta solar fotovoltaica experimental del NREL. Para evaluar el desempeño de los modelos se utilizan las métricas RMSE, MAE, y MAPE, resultando que el modelo ARIMA del análisis de series de tiempo fue el que mejor desempeño tuvo con un MAE de 1.38 kWh, RMSE de 1.40 kWh, y MAPE de 6.35 %. En el análisis de correlación se determinó que la generación de energía era independiente de la tasa de suciedad, por lo que se descartó esta variable en los modelos de regresión.

Abstract The use of photovoltaic solar plants for the generation of electrical energy has been constantly increasing in recent years, and many of these plants are connected to the external electrical network, which makes it necessary to forecast the electrical energy generated by the solar plants to assist in the management of the network operator. This research presents a methodology based on data science to develop the forecast of electrical energy generated from photovoltaic solar plants, using three different techniques for comparison purposes: time series analysis, multiple linear regression, and artificial neural network. Historical data of peak power, solar irradiance, ambient temperature, wind speed, and soiling rate from an experimental NREL photovoltaic solar plant were used. To evaluate the performance of the models, the RMSE, MAE, and MAPE metrics are used, resulting in the ARIMA model of the time series analysis having the best performance with a MAE of 1.38 kWh, RMSE of 1.40 kWh, and MAPE of 6.35 %. In the correlation analysis, it was determined that power generation was independent of the soiling rate, so this variable was discarded in the regression models.

Abstract Introduction: The great diversity of tropical timber species demands the development of new technologies capable of identifying them based on their patterns or anatomical characteristics. The application of convolutional neural networks (CNN) for the recognition of tropical timber species has increased in recent years due to the promising results of CNNs. Objective: To evaluate the quality of macroscopic images with three cutting tools to improve the visualization and distinction of anatomical features in the CNN model training. Methods: Samples were collected from 2020 to 2021 in areas of logging and sawmills in the Central Jungle, Peru. They were later sized and, after botanical and anatomical identification, cut in cross sections. A database of macroscopic images of the cross-section of wood was generated through cutting with three different tools and observing its performance in the laboratory, field, and checkpoint. Results: Using three cutting tools, we obtained high quality images of the cross section of wood; 3 750 macroscopic images were obtained with a portable microscope and correspond to 25 timber species. We found the ''Tramontina'' knife to be durable, however, it loses its edge easily and requires a sharpening tool, the ''Pretul'' retractable cutter is suitable for cutting soft and hard wood in small laboratory samples and finally the ''Ubermann'' knife is suitable for use in the field, laboratory, and checkpoint, because it has a durable sheath and interchangeable blades in case of dullness. Conclusion: The quality of the images is decisive in the classification of timber species, because it allows a better visualization and distinction of the anatomical characteristics in training with the EfficientNet B0 and Custom Vision convolutional neural network models, which was evidenced in the precision metrics.

Resumen Introducción: La gran diversidad de especies maderables tropicales demanda el desarrollo de nuevas tecnologías de identificación con base en sus patrones o características anatómicas. La aplicación de redes neuronales convolucionales (CNN) para el reconocimiento de especies maderables tropicales se ha incrementado en los últimos años por sus resultados prometedores. Objetivo: Evaluamos la calidad de las imágenes macroscópicas con tres herramientas de corte para mejorar la visualización y distinción de las características anatómicas en el entrenamiento del modelo CNN. Métodos: Recolectamos las muestras entre el 2020 y 2021 en áreas de explotación forestal y aserraderos de Selva Central, Perú. Luego, las dimensionamos y, previo a la identificación botánica y anatómica, las cortamos en secciones transversales. Generamos una base de datos de imágenes macroscópicas de la sección transversal de la madera, a través del corte, con tres herramientas para ver su rendimiento en el laboratorio, campo y puesto de control. Resultados: Usamos tres herramientas de corte para obtener una alta calidad de imágenes transversales de la madera; obtuvimos 3 750 imágenes macroscópicas con un microscopio portátil que corresponden a 25 especies maderables. El cuchillo ''Tramontina'' es duradero, pero pierde el filo con facilidad y se necesita una herramienta para afilar, el cúter retráctil ''Pretul'' es adecuado para madera suave y dura en muestras pequeñas de laboratorio; el cuchillo ''Ubermann'' es apropiado para el campo, laboratorio y puesto de control, porque tiene una envoltura duradera y láminas intercambiables en caso de pérdida de filo. Conclusiones: La calidad de las imágenes es decisiva en la clasificación de especies maderables, porque permite una mejor visualización y distinción de las características anatómicas en el entrenamiento con los modelos de red neuronal convolucional EfficientNet B0 y Custom Vision, lo cual se evidenció en las métricas de precisión.

Resumen: Uno de los principales procesos en la administración tributarias es la gestión de cobranza. El objetivo de este proceso, entre otros, es la recuperación de los recursos económicos que han sido declarados por los contribuyentes. Debido a las limitaciones de las administraciones tributarias, tales como: personal, herramientas, tiempo, etc., las administraciones tributarias buscan la recuperación de las deudas en las etapas tempranas de control, donde el costo de recaudación es menor que en las etapas posteriores. Para optimizar el proceso de gestión de cobranza y contribuir a la toma de decisiones, este trabajo propone un marco de trabajo basado en aprendizaje profundo para detectar comportamientos atípicos de contribuyentes con alta probabilidad de no pago. Grupos de comportamiento normal y atípico fueron también analizados para encontrar eventos de interés usando reglas de asociación.

Abstract: One of the primary processes in tax administration is debt collection management. The objective of this process, among others, is to recover economic resources that have been declared by taxpayers. Due to limitations in tax administration such as staffing, tools, time, and others, tax administrations seek to recover debts in the early stages of control where collection costs are lower than in subsequent stages. To optimize the debt collection management process and contribute to decision-making, this study proposes a deep learning-based framework to detect atypical behaviors of taxpayers with a high probability of non-payment. Normal and atypical behavior groups were also analyzed to identify interesting events using association rules.

Resumen: Alrededor de 1,35 millones de personas a nivel mundial mueren anualmente por incidentes de tráfico y se estima que 50 millones sufren lesiones graves. Este panorama es particularmente dramático en la Región Andina donde el número de muertes por accidentes de tránsito asciende a 127 muertes por millón de habitantes. Recientemente, el despliegue de Sistemas Inteligentes de Transporte (SITs) en países desarrollados ha ayudado a reducir la mortalidad por accidentes de tránsito. Una parte integral de un SIT es la detección automática de incidentes de tráfico a partir de datos de video y sensores. Sin embargo, la escasez de conjuntos de datos, especialmente de casos positivos de incidentes de tráfico, obstaculizan el desarrollo de aplicaciones de inteligencia artificial para el dominio de la investigación del tráfico. En este contexto, presentamos la siguiente pregunta de investigación: ¿Es posible detectar colisiones de automóviles mediante aprendizaje automático supervisado, basado en la velocidad estimada de los autos a partir de datos de video? Como resultado presentamos VARVO, un algoritmo para la detección de incidentes de tráfico que no depende de sensores para la detección de la velocidad de los automóviles, el cual realiza una clasificación supervisada usando la detección de objetos basada en red convolucional y seguimiento bidireccional. También se describe cómo los modelos implementados en VARVO pueden mejorar su precisión de clasificación aplicando un algoritmo de sobremuestreo para clases desequilibradas. Creemos que el despliegue de VARVO podría vincularse a cámaras de video estáticas de tráfico y ser parte de los SITs en la Región Andina.

Abstract: Around 1,35 million people worldwide die each year because of traffic incidents, and it is estimated that another 50 million suffers serious injuries. This picture is particularly dramatic in the Andean Region where the death toll due to traffic accidents is as high as 127 deaths per million inhabitants. In recent years the deployment of the so-called Intelligent Transport Systems (ITS) across several developed countries has helped to reduce the number of deaths due to traffic accidents. An integral part of an ITS is the automatic detection of traffic incidents from video and sensor data. However, the scarcity of curated datasets, especially those that contained a reasonable number of positive instances of traffic incidents is hampering the development of artificial intelligence applications for the domain of traffic research. Given this scenario, we pursued answering the following research question: is it possible to detect car crashes through supervised machine learning based on the estimated speeds of cars from video only-data? Here we present VARVO, a novel algorithm for the detection of traffic incidents that does not rely on sensors for cars speed detection. VARVO performs a supervised classification task based on the sequential use of convolutional network-based object detection and bi-directional tracking. We also describe how the models implemented in VARVO improved their classification accuracy by applying an oversampling algorithm to deal with class imbalance. We believe that the deployment of VARVO could be linked to static traffic video cameras and could be part of the Intelligent Transport Systems foundations in other Andean countries.

Abstract: One of the main public health problems is child malnutrition, since it negatively affects the individual throughout his life, limits the development of society and makes it difficult to eradicate poverty. The first objective of this research is to apply data mining techniques for preprocessing, cleaning, reduction and transformation to a data lake that has allowed analyzing anemia in children under 5 years of age, the second objective is to apply Machine Learning algorithms to obtain the best model to predict anemia in children under 5 years of age. The data set was extracted from the open data platform of the government of Peru that corresponds to South Lima, North Lima, East Lima, Central Lima and rural Lima, which collected a total of 138,369 instances and 36 variables of which 30 are categorical and 6 numeric, being an unbalanced data set. In order to obtain the best predictor variables, the Anova F-test and Chi Square filters were used, and it was possible to reduce them to 10 variables, cases were also carried out without considering one of the filters and both filters.To find the best prediction model, the algorithms have been tested: decision tree, logistic regression, K nearest neighbors, random forest and naive bayes. As a result, we show that the best algorithm to predict anemia in children under 5 years of age is the Naive Bayes algorithm with the highest recall of 74%, precision of 43% and accuracy of 70%.

Resumen: Uno de los principales problemas de salud pública es la desnutrición infantil, ya que afecta negativamente al individuo a lo largo de su vida, limita el desarrollo de la sociedad y dificulta la erradicación de la pobreza. El objetivo de esta investigación es aplicar técnicas de minería de datos para el preprocesamiento, limpieza, reducción y transformación a un lago de datos que ha permitido analizar la anemia en niños menores de 5 años, asimismo, se ha aplicado algoritmos de Machine Learning para obtener el mejor modelo que permita predecir la anemia en niños menores de 5 años. El conjunto de datos fue extraído de la plataforma datos abiertos del gobierno del Perú que corresponde a Lima sur, Lima Norte, Lima Este, Lima Centro y Lima rural que se juntaron en total 138369 instancias y 36 variables, de la cuales 30 son categóricas y 6 numéricas, siendo un conjunto de datos desequilibrado. Para poder obtener las mejores variables predictoras se utilizó los filtros Anova F-test y Chi Cuadrado y se logró reducir a 10 variables, también se realizó casos sin considerar uno de los filtros y ambos filtros. Para buscar el mejor modelo de predicción se ha probado los algorítmicos: árbol de decisión, regresión logística, K vecinos más cercanos, bosque aleatorio y Naive bayes. Como resultado mostramos que el mejor algoritmo que permite predecir la anemia en niños menores de 5 años es el Naive Bayes con mayor recall de 74 %, precisión de 43% y exactitud del 70 %.

Resumen Las revisiones de la literatura para tareas de investiga ción y docencia se enfrentan cada vez más a nuevos retos, debido principalmente al crecimiento considera ble del material bibliográfico en todas las disciplinas. Esencialmente, la búsqueda y selección de información se tornan exhaustivas y agotadoras debido a la falta de organización en la recopilación sistemática de documen tos, así como el manejo incorrecto de los metadatos y la gran variabilidad en los resultados que ofrecen los mecanismos automáticos de consulta. En este sentido, la inteligencia artificial (IA) está revolucionando la revisión de la literatura al emplear sistemas capaces de analizar e interpretar el contenido de muchos documentos en una forma rápida, así como ofrecer resultados con un nivel de precisión mayor que los motores de búsqueda tradicionales. Este trabajo tiene como objetivo describir los avances recientes en la etapa de acoplamiento in teligente de los métodos para la revisión de la literatura académica, refiriendo al uso de herramientas de apren dizaje automático y aprendizaje profundo asociadas a la optimización en el procesamiento del lenguaje natural. Finalmente se abordan las implicaciones que conlleva emplear sistemas capaces de omitir juicios y tomar de cisiones con respecto a la utilidad y relevancia de los datos analizados.

Abstract Literature reviews for research and teaching tasks is increas ingly facing new challenges, mainly due to the consider able growth of bibliographic material in all disciplines. Primarily, the search and selection of information become exhausting and overwhelming due to the lack of planning in the systematic collection of documents, as well as the improper handling of metadata and the high variability of the results offered by automatic search mechanisms. In this sense, artificial intelligence is transforming the landscape of literature review by employing systems ca pable of quickly analyzing and interpreting the content of text documents while providing very accurate results, higher than traditional search engines. This paper aims to describe recent advances in the intelligent integration process of literature review methods, referring to the use of machine and deep learning techniques associated with optimization stages of natural language process ing. Finally, we address the implications of employing systems capable of making judgments and making de cisions regarding the usefulness and relevance of the analyzed data.

Abstract: This study presents an early warning alert system based on LSTM (long short-term memory) networks that evaluates the knowledge of students with respect to thematic units corresponding to an analog electronics competency. A database is created with student answers to a previously designed test. The database consists of 60 questions that assess an electronic analog competency. The results show that the LSTM-based methodology has a greater than 80% efficiency in determining student deficiencies. In addition, it has a greater than 90% accuracy in predicting answers to questions of higher difficulty, if given the answers to simpler questions in a lower stage. It is concluded that the applied LSTM-based methodology is reliable due to its high precision in generating early warnings and in predicting student answers in the future.

Resumen: En este estudio se presenta un sistema de alertas basado en redes LSTM (long short-term memory) que evalúa el conocimiento de estudiantes con respecto a unidades temáticas de una competencia de electrónica analógica. Se crea una base de datos que consiste en las respuestas entregadas por estudiantes al resolver un examen previamente diseñado. La base de datos consiste en un banco de 60 preguntas que tienen la finalidad de evaluar una competencia de electrónica analógica. Los resultados muestran que esta metodología basada en LSTM tiene una eficiencia mayor al 80% al determinar las falencias de los alumnos. Además, predice con más del 90% de precisión las respuestas de preguntas de niveles dificultad superior, a partir de las entregadas en una etapa inferior. Se concluye que esta herramienta LSTM de predicción es confiable al tener alta precisión en la generación de alertas y en determinar las respuestas a futuro de los alumnos.

Resumen El comportamiento de los componentes de las plantas proteicas es de vital importancia para los animales que los consumen en su dieta. La presente investigación tiene como objetivo evaluar algoritmos de regresión para determinar la conducta de las expresiones que mejor se adaptan a los procedimientos de un laboratorio tradicional y estimar los componentes químicos de plantas proteicas, en este sentido, se ha utilizado la biblioteca MULAN de java, que contiene algoritmos de aprendizaje automático capaces de adaptarse a disímiles problemas. Para ello, se crearon tres conjuntos de datos para cada especie estudiada en este trabajo; cada uno de estos incluye los elementos principales a ser evaluados en cada experimento, que están delimitados por: Metabolitos secundarios, componentes de la pared celular y digestibilidad para los ficheros de entrenamiento uno, dos y tres, respectivamente. Posteriormente, fueron evaluados por medio del aprendizaje supervisado y una validación cruzada de cada uno para determinar el mejor ajuste por aRMSE (Error cuadrático medio de la raíz). Los resultados del aprendizaje fueron comparados con experimentos anteriores, donde se tenía una variante de aprendizaje que contenía en un solo dataset todos los componentes a evaluar en una sola predicción. El resultado de la comparación muestra que los algoritmos vagos basados en instancias tienen un mejor comportamiento en el aprendizaje que los otros evaluados.

Abstract The behavior of components of protein plant is of vital importance for animals that consume them in their diet. The objective of this research is to evaluate regression algorithms, to determine the behavior of the expressions that best adapt to the procedures of a traditional laboratory and to estimate the chemical components of protein plants, in this sense the MULAN library of java has been used, that contain automatic learning algorithms capable of adapting to dissimilar problems. Three data set were created for each species treated in this study; each of these include the main elements to be evaluate in each experiment, these are delimitings by: secondary metabolites, cell wall components and digestibility element for training files one, two and three, respectively; subsequently, they were evaluated through learning supervised and cross-validation of each to determine the best fit by aRMSE (Average Root Mean Square Error). The learning results were compare with previous experiments, where there was a learning variant that contained in a single dataset all the components to be evaluates in a single prediction. The result of the comparison shows that the lazy algorithms based on instances have a better learning behavior than the others evaluate.

Abstract Delimitation of areas subject to flooding is crucial to understand water dynamics and fluvial changes. This study analyzed the potential of C-band Synthetic Aperture Radar (SAR) images acquired by the Sentinel-1 satellite in 2017, 2018, and 2019 to delineate flooded areas in the Central Amazon. The images were processed by the Artificial Neural Network Multi-Layer Perceptron (ANN-MLP) and two K-Nearest Neighbor (KNN-7 and KNN-11) machine learning (ML) classifiers. Pre-processing of Single Look Complex (SLC) SAR images involved the following methodological steps: orbit-file application; radiometric calibration (σ0); Range-Doppler terrain correction; speckle noise filtering; and conversion of linear data to backscattering coefficients (units in dB). We applied the Lee filter, with a window size of 3x3, for speckle filtering. A set of 6000 randomly distributed samples for training (70%), validation (20%), and test (10%) was obtained based on visual interpretation of Sentinel-2 optical satellite image acquired in the same years of SAR images. We found the largest flooded areas in 2019 in the study area (municipality of Parintins and Urucará, Amazonas River, Brazil): 6244km2 by the ANN-MLP classifier; 6268km2 by KNN-7; and 6290km2 by KNN-11, while the smallest flooded areas were found in 2018: 5364km2 by ANN-MLP; 5412km2 by KNN-7; and 5535km2 by KNN-11. The three classifiers presented Kappa coefficients between 0.77 and 0.91. ANN-MLP showed the best accuracy. The presence of shadow effects in the SAR images increased the commission errors.

Resumo A delimitação de áreas sujeitas a inundações é crucial para entender a dinâmica hídrica e as mudanças fluviais. Este estudo analisou o potencial de imagens de radar de abertura sintética (SAR) adquiridas na banda-C pelo satélite Sentinel-1 em 2017, 2018 e 2019 para delinear áreas inundadas na Amazónia Central. As imagens foram processadas pela Rede Neural Artificial Multi-Layer Perceptron (RNA-MLP) e dois classificadores de aprendizagem de máquina (ML) K-Nearest Neighbor (KNN-7 e KNN-11). O pré-processamento de imagens SAR Single Look Complex (SLC) envolveu as seguintes etapas metodológicas: aplicação do orbit-file; calibração radiométrica (σ0); correção de terreno Range-Doppler; filtragem de ruído speckle; e conversão de dados lineares para coeficientes de retroespalhamento (unidades em dB). O filtro de Lee com tamanho de janela de 3×3 foi aplicado para filtragem do ruído speckle. Um conjunto de 6000 amostras distribuídas aleatoriamente para treino (70%), validação (20%) e teste (10%) foi obtido com base na interpretação visual da imagem do satélite óptico Sentinel-2 adquiridas no mesmo ano das imagens de radar. As maiores áreas alagadas foram encontradas em 2019 na área de estudo (municípios de Parintins e Urucará, Rio Amazonas, Brasil): 6244km2 pelo classificador RNA-MLP; 6268km2 pelo KNN-7; e 6290km2 pelo KNN-11, enquanto as menores áreas alagadas foram encontradas em 2018: 5364km2 pelo classificador RNA -MLP; 5412km2 pelo KNN-7; e 5535km2 pelo KNN-11. Os três classificadores apresentaram coeficientes Kappa entre 0,77 e 0,91. A RNA-MLP apresentou a melhor precisão. A presença de efeitos de sombra nas imagens SAR aumentou os erros de comissão.

Résumé La délimitation de zones sujettes aux inondations est cruciale pour comprendre la dynamique hydrique et les changements fluviaux. Cette étude a analysé le potentiel des images radar à ouverture de synthétique (SAR) acquises en bande-C par le satellite Sentinel-1 en 2017, 2018 et 2019 pour délimiter les zones inondées en Amazonie Centrale. Les images ont été traitées par le Réseau de Neurones Artificiels Multicouches Perceptron (ARN-MLP) et deux classificateurs d'apprentissage automatique (ML) K-Nearest Neighbor (KNN-7 et KNN-11). Le prétraitement des images SAR images complexes à visée simple (SLC) a impliqué les étapes méthodologiques suivantes : application du fichier d'orbite; calibration radiométrique (σ0); correction de terrain Range-Doppler; filtrage du bruit de chatoiement; et conversion des données linéaires en coefficients de rétrodiffusion (unités en dB). Un filtre de Lee avec une taille de fenêtre de 3×3 a été appliqué pour filtrer le bruit de chatoiement. Un ensemble de 6000 échantillons assignés au hasard pour la formation (70%), la validation (20%) et les tests (10%) a été obtenu à partir de l'interprétation visuelle de l'image satellite optique Sentinel-2 acquise pour la même année que les images radar. Les plus grandes zones inondées ont été trouvées en 2019 dans la zone d'étude (municipalité de Parintins et Urucará, la Riviére Amazonas, Brésil) : 6244km2 selon le classificateur RNA -MLP; 6268km2 pour KNN-7; et 6290km2 pour KNN-11, alors que les plus petites zones inondées ont été trouvées en 2018: 5364km2 pour le classificateur RNA -MLP; 5412km2 pour KNN-7; et 5535km2 pour KNN-11. Les trois classifieurs présentaient des coefficients Kappa compris entre 0,77 et 0,91. L'ARN-MLP a montré une meilleure précision. La présence d'effets d'ombre dans les images SAR a augmenté les erreurs de commission.

Resumen La delimitación de áreas sujetas a inundaciones es crucial para comprender la dinámica del agua y los cambios fluviales. Este estudio analizó el potencial de las imágenes de radar de apertura sintética (SAR) adquiridas en la banda-C por el satélite Sentinel-1 en 2017, 2018 y 2019 para delinear áreas inundadas en la Amazonía Central. Las imágenes fueron procesadas por la Red Neuronal Artificial de Perceptrón Multicapa (RNA-MLP) y dos clasificadores de aprendizaje automático (ML) K-Nearest Neighbor (KNN-7 y KNN-11). El preprocesamiento de imágenes SAR complejas de una sola mirada (SLC) involucró los siguientes pasos metodológicos: aplicación del archivo de órbita; calibración radiométrica (σ0); corrección del terreno Range-Doppler; filtrado de ruido moteado; y conversión de datos lineales en coeficientes de retrodispersión (unidades en dB). Se aplicó El filtro Lee con un tamaño de ventana de 3×3 para filtrar el ruido moteado. Se obtuvo un conjunto de 6000 muestras asignadas aleatoriamente para entrenamiento (70%), validación (20%) y prueba (10%) en base a la interpretación visual de la imagen del satélite óptico Sentinel-2 adquirida el mismo año que las imágenes de radar. Los humedales más grandes se encontraron en 2019 en el área de estudio (municipio de Parintins y Urucará, Rió Amazonas, Brasil): 6244km2 por el clasificador RNA -MLP; 6268km2 por KNN-7; y, 6290km2 por KNN-11, mientras que, los humedales más pequeños se encontraron en 2018: 5364km2 por el clasificador RNA -MLP; 5412km2 por KNN-7; y 5535km2 por KNN-11. Los tres clasificadores presentaron coeficientes Kappa entre 0,77 y 0,91. RNA-MLP mostró la mejor precisión. La presencia de efectos de sombra en las imágenes SAR aumentó los errores de comisión.

Resumen: El siguiente documento presenta una herramienta de aprendizaje automático para la interpretación de anomalías en transformadores de potencia utilizando el método de bosques aleatorios. Mediante los resultados de ensayos de cromatografía de gases en aceite dieléctrico de varios artículos publicados, se utiliza el conjunto de datos entregados por el análisis de gases disueltos (AGD) en cantidades de partes por millón (ppm), la cantidad de gases de hidrocarburos como el hidrógeno (H2), metano (CH4), etano (C2H6), etileno (C2H4) y acetileno (C2H2) que sirven para diagnosticar el estado interno del transformador. Debido al número reducido de datos recolectados, se presenta una desventaja para aplicar redes neuronales artificiales, máquina de soporte vectorial, entre otras que necesitan grandes cantidades de datos para cada variable, pero satisfactoriamente son resueltas usando bosques aleatorios, debido a que esta metodología clasifica mejor los datos de menor cantidad. El aprendizaje obtenido por el entrenamiento se valida con los estados obtenidos por los datos de prueba bajo la norma IEC 60599 e IEEE C57-104, que engloban a 4 diagnósticos como la descarga de alta energía, descarga de baja energía, estado normal y sobrecalentamiento, obteniendo como resultado un criterio de validación final corroborativo por el algoritmo al comparar el diagnóstico de resultados con el de bosques aleatorios.

Abstract: The following paper presents a machine learning tool for the interpretation of anomalies in power transformers using the random forest method. Using the results of gas chromatography tests on dielectric oil from several published papers, the data set delivered by the dissolved gas analysis (DGA) in quantities of parts per million (ppm), the amount of hydrocarbon gases such as hydrogen (H2), methane (CH4), ethane (C2H6), ethylene (C2H4) and acetylene (C2H2) that serve to diagnose the internal state of the transformer is used. Due to the reduced number of collected data, there is a disadvantage to apply artificial neural networks, support vector machine, among others that need large amounts of data for each variable, but satisfactorily they are solved using random forests, because this methodology classifies better the data of smaller amount. The learning obtained by training is validated with the states obtained by the test data under IEC 60599 and IEEE C57-104, which encompass 4 diagnostics such as high energy discharge, low energy discharge, normal state and overheating, resulting in a final corroborative validation criterion for the algorithm by comparing the diagnostic results with the random forests.