City_Logistics

Seminario Las cadenas de suministro de las ciudades inteligentes

Universidad Nacional de Cuyo

Instituto de Ingeniería Industrial

1. Repaso General del Estado de la Infraestructura
2. Restricciones ambientales, Ciudades Inteligentes,
3. Principales Referentes a Nivel Internacional y Nacional
4. Marcos Teóricos Formales
5. Soluciones Tecnológicas Disponibles
6. R Server
7. Serious Game

• Restricciones ambientales
• Perspectivas históricas
• La necesidad de Ciudades Inteligentes
• Sistemas de Producción Inteligentes
• Sistemas de Energía
  
• Transporte Inteligentes

¿Cuáles son los indicadores clave de desempeño?

\[ CO_2 = POB_t * (\frac {PIB}{POB} )_t * (\frac {Energ}{PIB} )_t * (\frac {CO_2}{Energ} )_t \]

• 1- Samrt Grid
• 2- Auto Eléctrico (Porblema o Solución)
• 3- Energías Alternativas
• 4- Acumulación de Energía (el litio)

• Disciplina
• Honestidad
• Filantropia (cambio “yo” por nosotros)
• Comunidades y territorios inteligentes

Predecir e inferir el clima Se requiere el paquete partykit install.packages(“partykit”)

library(partykit)

Entrenaremos el arbor de decisión así:

• Recursive Partytioning

Mis_Guias <- read.table("~/Uspallata.csv",header = TRUE, sep=",")
Mi_dataframe <- data.frame(Mis_Guias)

Mis_Guias


   Apariencia temp.hs.2 humedad ventoso   Puerto
1     soleado        85      85   false    Tarde
2     soleado        80      90    true    Tarde
3    overcast        83      86   false A_tiempo
4       zonda        70      96   false A_tiempo
5       zonda        68      80   false A_tiempo
6       zonda        65      70    true    Tarde
7    overcast        64      65    true A_tiempo
8     soleado        72      95   false    Tarde
9     soleado        69      70   false A_tiempo
10      zonda        75      80   false A_tiempo
11    soleado        75      70    true A_tiempo
12   overcast        72      90    true A_tiempo
13   overcast        81      75   false A_tiempo
14      zonda        71      91    true    Tarde

summary(Mis_Guias)


    Apariencia   temp.hs.2        humedad       ventoso       Puerto 
 overcast:4    Min.   :64.00   Min.   :65.00   false:8   A_tiempo:9  
 soleado :5    1st Qu.:69.25   1st Qu.:71.25   true :6   Tarde   :5  
 zonda   :5    Median :72.00   Median :82.50                         
               Mean   :73.57   Mean   :81.64                         
               3rd Qu.:78.75   3rd Qu.:90.00                         
               Max.   :85.00   Max.   :96.00                         

sp_o <- partysplit(1L, index = 1:3)
sp_h <- partysplit(3L, breaks = 75)
sp_w <- partysplit(4L, index = 1:2)

• Splits Primero, empleamos la función partysplit () para crear las tres divisiones en el “árbol de particionado”. La función toma los siguientes argumentos

• partysplit(varid, breaks = NULL, index = NULL, …, info = NULL)

*donde VARID es una identificación entera de la variable utilizada para dividir, por ejemplo, 1L para Apariencia, 3L para humedad, 4L para ventoso, etc. Luego, las rupturas y el índice determinan qué observaciones se envían a cuál de las ramas, por ejemplo, BREAKS = 75 para el división de humedad que representa el punto de rocío a esa altura de la cordillera

pn <- partynode(1L, split = sp_o, kids = list(
      partynode(2L, split = sp_h, kids = list(
          partynode(3L, info = "yes"),
          partynode(4L, info = "no"))),
      partynode(5L, info = "yes"),
      partynode(6L, split = sp_w, kids = list(
          partynode(7L, info = "yes"),
          partynode(8L, info = "no")))))

• Nodos En segundo lugar, utilizamos estas divisiones en la creación del árbol de decisión completo. En partykit, un árbol está representado por un objeto “partynode” que es recursivo en el sentido de que puede tener “hijos” que son nuevamente objetos “partynode”. Estos pueden ser creados con la función

• partynode(id, split = NULL, kids = NULL, …, info = NULL)

• donde: ID es un identificador entero del número de nodo, SPLIT es un objeto “partysplit”, y kids es una lista de objetos “partynode”. De nuevo, hay más argumentos que no se muestran (…) y se puede suministrar información arbitraria en la información.

pn

[1] root
|   [2] V1 in (-Inf,1]
|   |   [3] V3 <= 75 *
|   |   [4] V3 > 75 *
|   [5] V1 in (1,2] *
|   [6] V1 in (2, Inf]
|   |   [7] V4 <= 1 *
|   |   [8] V4 > 1 *

Sin embargo, la información mostrada todavía es bastante cruda ya que aún no se ha asociado con el conjunto de datos climatológicos.

 py <- party(pn, Mis_Guias)

*Árboles (o particiones recursivas)

*Por lo tanto, en un tercer paso, la estructura de árbol recursiva almacenada en pn se acopla con los datos correspondientes en un objeto de “parte”.

py

[1] root
|   [2] Apariencia in overcast
|   |   [3] humedad <= 75: yes
|   |   [4] humedad > 75: no
|   [5] Apariencia in soleado: yes
|   [6] Apariencia in zonda
|   |   [7] ventoso in false: yes
|   |   [8] ventoso in true: no

For more details on authoring R presentations please visit https://support.rstudio.com/hc/en-us/articles/200486468.

• Bullet 1
• Bullet 2
• Bullet 3

summary(cars)

     speed           dist       
 Min.   : 4.0   Min.   :  2.00  
 1st Qu.:12.0   1st Qu.: 26.00  
 Median :15.0   Median : 36.00  
 Mean   :15.4   Mean   : 42.98  
 3rd Qu.:19.0   3rd Qu.: 56.00  
 Max.   :25.0   Max.   :120.00