No abstract

No abstract

RESUMENLa predicción de series de tiempo es un importante problema de investigación debido a sus implicaciones en ingeniería, economía, finanzas y ciencias sociales. Un importante tópico de esta problemática es el desarrollo de nuevos modelos y su comparación con aproximaciones previas en términos de la precisión del pronóstico. Recientemente, las máquinas de vectores de soporte (SVM) han sido usadas para la predicción de series de tiempo, pero las experiencias reportadas son limitadas y hay algunos problemas relacionados con su especificación. El objetivo de este artículo es proponer una técnica novedosa para estimar algunas constantes en las SVM que usualmente son fijadas en forma empírica por el modelador. La técnica propuesta es usada para estimar varias SVM con el fin de pronosticar cinco series benchmark; los resultados obtenidos son comparados con las estadísticas reportadas en otros artículos. La metodología propuesta permite obtener SVM competitivas para las series pronosticadas en comparación con los resultados obtenidos usando otros modelos más tradicionales.Palabras clave: Series de tiempo, predicción, redes neuronales artificiales, máquinas de vectores de soporte. Particularmente, los perceptrones multicapa (MLP, por sus siglas en inglés) han sido ampliamente utilizados para la predicción de series no lineales, debido a que pueden aproximar cualquier función continua definida en un dominio compacto [14][15][16]. Sin embargo, su especificación se basa fundamentalmente en criterios heurísticos y juicio experto del modelador [17,18], de tal manera, que dicho proceso se basa en un conjunto de pasos críticos que ABSTRACT Time series prediction is an important research problem due to its implications in engineering

The practice of participatory sensing for environment monitoring has rapidly evolved over the years. There has been a steady growth of citizen-based air quality monitoring projects that aim to build partnerships, knowledge-sharing platforms, awareness, and ultimately resilience to issues related to air quality. Whilst citizen science has reshaped air quality research by bringing a fresh perspective on democratizing science for the public good, there is little research about how citizen-generated data can be used for facilitating and improving evidence-based policymaking. To address the problem in a structured manner, we examine the existing literature related to citizen science, air quality, and policymaking to understand the existing gaps and opportunities. That is followed by a review of major grassroots and collaborative citizen science air quality monitoring initiatives in Asia, Africa, Europe, and Latin America. We explore the range of citizen science methods and applications to understand how they are creating opportunities for dialog between practitioners and policymakers, discuss the concerns about citizen-generated data, and see if the data is used for policy action. Finally, we propose a methodology for integrating data-based evidence into shaping policy. The methodology combines scientific evidence, participation, and deliberation to realize the full potential of citizen science in air quality monitoring.

No abstract