Piloto AMI

Piloto AMIs: Caracterización de usuarios y detección de anomalías Reporte de exploración de datos y propuestas

Conclusiones informe Univalle 1.

Utilizan el algoritmo k-means con la métrica euclidiana sobre las series de consumo por cada día de la semana, separando los datos entre clientes residenciales y clientes industriales/comerciales.

Conclusiones informe Univalle 2.

Una vez determinados los clusters, utilizan información no-temporal para enriquecer la caracterización.

Propuestas Objetivo 1 1.

Tras una primera clusterización (con DTW), se encuentra una clara división entre usuarios residenciales y comerciales/industriales. Se propone avanzar en la caracterización, siguiendo un enfoque similar al de UniValle, mediante el análisis separado de cada tipo de cliente (información de la que no disponemos por el momento).

Promedio del consumo horario del mes de enero para cada cluster.

Propuesta Objetivo 1 2. Por otra parte, se propone hacer una caracterización más detallada de otros grupos que surjan más allá de las categorías residenciales y comerciales/industriales. El número óptimo de grupos que pueden representar la muestra de clientes (que es un 2% del total), puede variar entre 4 y 8. Cuantos más grupos se tomen, se hará no solo una diferenciación en cuanto a orden de magnitud de los consumos sino respecto a la forma en la que se da el consumo.

Conclusiones informe Univalle 3.

El objetivo de UniValle fue el desarrollo de programas de respuesta a la demanda, por lo que propusieron construir una línea base de consumo (lbc) por cliente y por día de la semana. En nuestro caso nos sería útil para la detección de anomalías dado que nos interesan tendencias a la baja.

¿Que es una anomalía?

Una anomalía en una serie de tiempo se refiere a un punto o un conjunto de puntos en la serie que se desvían significativamente de los patrones normales o esperados de comportamiento. Las anomalías pueden indicar eventos inusuales, errores en los datos, cambios estructurales o condiciones excepcionales. Estas desviaciones pueden ser importantes de identificar para el análisis de tendencias, la detección de fraudes, el mantenimiento predictivo y otros análisis de datos críticos.

¿Que es una anomalía?

Chandola, Banerjee, y Kumar (2009): "Anomalies are patterns in data that do not conform to a well defined notion of normal behavior. Their importance and impact has been recognized in various application domains such as fraud detection, network security, fault detection, and system health monitoring" (Chandola et al., 2009).

Aggarwal (2017): "Anomaly detection refers to the problem of finding patterns in data that do not conform to expected behavior. These non-conforming patterns are often referred to as anomalies, outliers, exceptions, deviations, or contaminants in different application domains" (Aggarwal, 2017).

¿Para los datos AMIs, qué es una anomalía?

¿Para los datos AMIs, qué es una anomalía?

¿Para los datos AMIs, qué es una anomalía?

¿Para los datos AMIs, qué es una anomalía?

¿Para los datos AMIs, qué es una anomalía?

¿Para los datos AMIs, qué es una anomalía?

¿Para los datos AMIs, qué es una anomalía?

¿Para los datos AMIs, qué es una anomalía?

¿Para los datos AMIs, qué es una anomalía?

¿Para los datos AMIs, qué es una anomalía?

¿Para los datos AMIs, qué es una anomalía?

¿Para los datos AMIs, qué es una anomalía?

¿Para los datos AMIs, qué es una anomalía?

Propuestas Objetivo 2 1.

Con un enfoque similar, se toman los días típicos de un mismo cliente y se construye un baricentro (dtw) respecto al cual calcular el memento de inercia (medida de qué tan regular es el consumo) y se estudia la distribución de los momentos de todos los clientes.

Propuestas Objetivo 2 La distribución sugiere una cota a lo que puede considerarse un comportamiento normal para el cluster de clientes e identificar aquellos que presenten comportamientos extremadamente regulares o extremadamente irregulares. Las anomalías que nos interesan son aquellas con tendencia a la baja.