Para el estudio de sistemas complejos en la vida real tan variados como pueden ser el cambio climático o el desarrollo económico de un país, es imprescindible conocer la evolución temporal de una serie de indicadores clave, así como predecir futuros comportamientos de los mismos, para lo cual existe existen distintas metodologías clásicas de estudio y predicción de series temporales. Sin embargo, dichas técnicas no siempre resultan suficientemente eficientes, por ello se trata de analizar y aplicar técnicas de computación que permitan superar a las técnicas clásicas. En concreto se trata de técnicas que introducen el uso de algoritmos evolutivos como herramienta para la segmentación de series temporales, con el objetivo de obtener las características estadísticas de los segmentos fragmentados y proceder a la caracterización de los mismos.

Desarrollo de algoritmos de segmentación de series temporales basados en algoritmos estadísticos y bio-inspirados y predicción a medio-plazo.

• Desarrollo de algoritmos de aprendizaje automático (algoritmos estadísticos, algoritmos evolutivos clásicos y/o algoritmos de co-evolución de selección de modelos) para segmentación de series temporales.
• Determinación de las características reconocedoras de cada segmento de la serie temporal.
• Determinación de diferentes métricas para evaluar el agrupamiento de los segmentos.
• Predicción a medio plazo basada en la segmentación anterior.

Responsable:

• Mercedes Torres Jiménez

Equipo de investigación de la Universidad Loyola Andalucía:

• David Becerra Alonso
• Mariano Carbonero Ruz
• Genoveva Millán Vázquez de la Torre
• Ana María Pacheco
• María Luisa Rodero Cosano
• Francisco de Asís Fernández Navarro

• David Elizondo (Universidad de Monfort, UK)
• Peter Tino (Universidad de Birmingham, UK)

Esta línea trata sobre el desarrollo y aplicación de modelos que sean capaces de predecir el comportamiento futuro de la variable/variables económicas objeto de estudio (endógena/s), en función de otras variables predeterminadas (cualitativas/cuantitativas) que expliquen su comportamiento a través de modelos de regresión uniecuacionales/ multiecuacionales, u otras técnicas basadas en el comportamiento pasado de la serie (modelos de Box Jenkins, funciones de transferencia o modelos X11).

Desarrollo y aplicación de técnicas estadísticas y econométricas para definir modelos que expliquen la relación entre variables de naturaleza económica (a nivel macro y/o micro), poder realizar estimaciones, así como simulaciones y evaluaciones de políticas.

Crear, aplicar y validar modelos que expresen la relación entre magnitudes del campo económico para aportar mayor conocimiento de la realidad. Se incluye el análisis de:

• series temporales
• series de corte transversal
• datos de panel
• modelos uni y multiecuacionales

Responsable:

• Francisco Martínez Estudillo

Equipo de investigación de la Universidad Loyola Andalucía:

• Juan Manuel Arjona
• David Becerra Alonso
• Francisco Fernández Navarro
• Fabio Gómez Stern-Aguilar
• Alfonso C. Martínez Estudillo
• Genoveva Millán Vázquez de la Torre

• David Elizondo (Universidad de Monfort, UK)
• Jean-Pierre Levy Mangin (Universidad de Quebec)

Las técnicas clásicas de estadística requieren del cumplimiento de una serie de requisitos que normalmente, y especialmente, en problemas complejos como lo son los relacionados con el entorno socio-económico, no se cumplen. Por ello es cada vez más frecuente el uso de técnicas alternativas, más flexibles, que, aprovechando el potencial de las computadoras, son capaces de imitar el proceso humano de aprendizaje para afrontar y resolver estos problemas. El desarrollo, mejora continua y aplicación de dichas técnicas de inteligencia computacional y artificial es el fin último de esta línea de investigación.

Desarrollo y aplicación de metodologías novedosas ligadas al campo de la computación inteligente y la inteligencia artificial para la resolución de problemas reales en el campo de las ciencias sociales y la economía.

• Desarrollo y aplicación de técnicas de ciencias de la computación, de inteligencia artificial para identificar problemas reales y darle soluciones eficientes.
• Aplicación a sectores y campos importantes para nuestro entorno socio-económico (sector agrícola; desarrollo; sostenibilidad ambiental, salud, etc.) Computación inteligente para diseño automatizado en ingeniería.
• Tratamiento de grandes bases de datos: Data Mining
• Sistemas automáticos de asistencia al diseño en ingeniería, análisis y trazado automático de planos técnicos, toma de decisiones automática y optimización en ingeniería.

Responsable:

• Carlos R. García Alonso

Equipo de investigación de la Universidad Loyola Andalucía:

• Mariano Carbonero Ruz
• Francisco Fernández Navarro
• Fabio Gómez Stern-Aguilar
• Alfonso C. Martínez Estudillo
• Ana María Pacheco
• María Luisa Rodero Cosano

Equipo de investigación externos:

• Jean-Pierre Levy Mangin (Universidad de Quebec)
• Peter Tino (Universidad de Birmingham, UK)
• Linda Tuncay Zayer (Universidad Loyola Chicago, EEUU)