Pasar al contenido principal

Proyecto I+D

Técnicas Eficientes de Análisis de Datos para un Mundo Conectado

20813/PI/18

Inicio / Fin: desde el al

El principal objetivo de este proyecto diseñar una infraestructura IoT de altas prestaciones, diseñada para analizar ingentes cantidades de datos mediante técnicas de aprendizaje máquina en tiempo real. Este objetivo general se divide en los siguientes objetivos específicos:

  1. Análisis, diseño y evaluación de infraestructuras IoT en entornos reales de aplicación. En este objetivo se pretende desplegar una infraestructura IoT en entornos reales que permita la medición de diferentes variables contextuales y ambientales, como por ejemplo temperatura ambiente, velocidad del viento, humedad, sonido ambiental, etc). Esta información se deberá enviar, en primera instancia, a un servidor donde se almacenará para su posterior procesamiento. Además, se evaluará diferentes alternativas hardware para realizar el despliegue y que garanticen la optimización en rendimiento y consumo energético.
  2. Diseño de estrategias de runtime para habilitar computación en el edge. En este objetivo se pretende habilitar la computación en el extremo de la infraestructura IoT para facilitar una computación multiescala donde se reduzca el ancho de banda necesario en las comunicaciones, así como dar respuesta en tiempo real en ciertos escenarios.
  3. Diseño de algoritmos de machine learning mediante técnicas de codiseño hardware-software. Se diseñarán técnicas de machine learning multiescala eficiente adaptadas a la nueva infraestructura distribuida diseñada. Dichas técnicas permitirán la detección de eventos y situaciones de interés con baja latencia relativos al entorno real de aplicación.

The main objective of this project is to design a high performance IoT infrastructure, designed to analyse huge amounts of data using real-time machine learning techniques. This general objective is divided into the following specific objectives:

  1. Analysis, design and evaluation of IoT infrastructures in real application environments. This objective is to deploy an IoT infrastructure in real environments that allows the measurement of different contextual and environmental variables, such as ambient temperature, wind speed, humidity, ambient sound, etc.) This information must be sent, in the first instance, to a server where it will be stored for later processing. In addition, different hardware alternatives will be evaluated to carry out the deployment and to guarantee the optimization in performance and energy consumption.
  2. Design of runtime strategies to enable edge computing. This objective aims to enable computing at the edge of the IoT infrastructure to facilitate multiscale computing where the bandwidth needed is reduced by communications, as well as providing real-time response in certain scenarios.
  3. Design of machine learning algorithms using hardware-software coding techniques. Efficient multiscale machine learning techniques will be designed, adapted to the new distributed infrastructure designed. These techniques will allow the detection of events and situations of interest with low latency related to the real application environment.

2020

 

  1. Cebrian, J. M., Imbernón, B., Soto, J., García, J. M., & Cecilia, J. M. (2020). High-throughput fuzzy clustering on heterogeneous architectures. Future Generation Computer Systems.

  2. Cecilia, J. M. (2020). Guest editors’ note: Special issue on novel high-performance computing algorithms and platforms in bioinformatics. The International Journal of High Performance Computing Applications, 34(1), 3–4

  3. Guillén-Navarro, M. A., Martínez-España, R., Llanes, A., Bueno-Crespo, A., & Cecilia, J. M. (2020). A deep learning model to predict lower temperatures in agriculture. Journal of Ambient Intelligence and Smart Environments, (Preprint), 1-14.

  4. Jimeno-Sáez, P.; Senent-Aparicio, J.; Cecilia, J.M.; Pérez-Sánchez, J. Using Machine-Learning Algorithms for Eutrophication Modeling: Case Study of Mar Menor Lagoon (Spain). Int. J. Environ. Res. Public Health 2020, 17, 1189.

  5. Navarro, J. M., Martínez-España, R., Bueno-Crespo, A., Martínez, R., & Cecilia, J. M. (2020). Sound Levels Forecasting in an Acoustic Sensor Network Using a Deep Neural Network. Sensors, 20(3), 903.

  6. Terroso-Saenz, F., & Munoz, A. (2020). Land use discovery based on Volunteer Geographic Information classification. Expert Systems with Applications, 140, 112892.

  7. Guillén, M.A., Llanes, A., Imbernón, B., Martínez-España, R., Bueno-Crespo, A., Cano JC., Cecilia, JM. (2020). Performance evaluation of edge-computing platforms for the prediction of low temperatures in agriculture using deep learning. Journal of  Supercomputing (in press)

  8. Imbernón, B., Llanes, A., Cutillas-Lozano, J. M., & Giménez, D. (2020). HYPERDOCK: Improving virtual screening through parallel hyperheuristics. The International Journal of High Performance Computing Applications, 34(1), 30-41.

  9. Hernández, M., Cebrián, J. M., Cecilia, J. M., & García, J. M. (2020). Offloading strategies for Stencil kernels on the KNC Xeon Phi architecture: Accuracy versus performance. The International Journal of High Performance Computing Applications, 34(2), 199-207.

  10. Imbernón, B., Serrano, A., Bueno-Crespo, A., Abellán, J. L., Pérez-Sánchez, H., & Cecilia, J. M. (2020). METADOCK 2: a high-throughput parallel metaheuristic scheme for molecular docking. Bioinformatics. (In press)

  11. Cuenca-Jara, J., Terroso-Sáenz, F., Valdés-Vela, M., & Skarmeta, A. F. (2020). Classification of spatio-temporal trajectories from Volunteer Geographic Information through fuzzy rules. Applied Soft Computing, 86, 105916. 

 

2019

 

  1. Cecilia, J. M., & García, J. M. (2019).Re-engineering the ant colony optimization for CMP architectures. The Journal of Supercomputing, 1-22

  2. Contreras, A. V., Llanes, A., Herrera, F. J., Navarro, S., López-Espín, J. J., & Cecilia, J. M. (2019).Enhancing the context-aware FOREX market simulation using a parallel elastic network model. The Journal of Supercomputing, 1-17

  3. Fernández-Soriano, F. L., López, B., Martínez-España, R., Muñoz, A., & Cantabella, M. (2019). Use of Computing Devices as Sensors to Measure Their Impact on Primary and Secondary Students’ Performance. Sensors, 19(14), 3226.

  4. Gams, M., Gu, I. Y. H., Härmä, A., Muñoz, A., & Tam, V. (2019). Artificial intelligence and ambient intelligence. Journal of Ambient Intelligence and Smart Environments, 11(1), 71-86

  5. Guillén‐Navarro, M. A., Martínez‐España, R., López, B., & Cecilia, J. M. (2019). A high‐performance IoT solution to reduce frost damages in stone fruits. Concurrency and Computation: Practice and Experience, e5299.

  6. GUILLEN-NAVARRO, M. A., MARTINEZ-ESPANA, R., aBelen AYUSO aJose, A. B. C., & MORENO, L. (2019, August). An LSTM Deep Learning Scheme for Prediction of Low Temperatures in Agriculture. In Intelligent Environments 2019: Workshop Proceedings of the 15th International Conference on Intelligent Environments (Vol. 26, p. 130). IOS Press.

  7. Intelligence, A., Muñoz, A., & Park, J. Ebook: Agriculture and Environment Perspectives in Intelligent Systems.

  8. Martínez-España, R., Bueno-Crespo, A., Soto, J., Janik, L. J., & Soriano-Disla, J. M. (2019). Developing an intelligent system for the prediction of soil properties with a portable mid-infrared instrument. Biosystems engineering, 177, 101-108

  9. Saadi, H., Taboudjemat, N. N., Rahmoun, A., Pérez-Sánchez, H., & Cecilia, J. M. (2019). Efficient GPU-based parallelization of solvation calculation for the blind docking problem. The Journal of Supercomputing, 1-19

  10. Terroso-Saenz, F., Muñoz, A., & Cecilia, J. M. (2019). QUADRIVEN: A framework for qualitative taxi demand prediction based on time-variant online social network data analysis. Sensors, 19(22), 4882.

A continuación se listan unas métricas que se utilizarán para cuantificar los resultados producidos por este proyecto, junto con los valores que consideramos aceptables para la satisfacción del mismo.

  1. Desarrollo de los entregables del proyecto (DE) y cumplimiento de hitos (HI)
  2. Número de publicaciones asociadas con el proyecto (NP)
  3. Número de asistencias a congresos nacionales y/o internacionales (AC) congresos/año.
  4. Organización de actividades científicas (OA)
  5. Número de tesis leídas derivadas de la investigación del proyecto (NT)
  6. Nuevas colaboraciones internacionales (CI)
  7. Nuevas colaboraciones nacionales (CN)
  8. Difusión en prensa de las actividades investigadores del proyecto (DP)

"El mercado de divisas (FOREX) como un modelo elástico de red" - Antonio Vicente Contreras

Directores:

  • Jose María Cecilia Canales
  • Horacio Emilio Pérez Sánchez

Fecha defensa:

  • 12 Abril 2019

 

Financiado por

Fundación Séneca-Agencia de Ciencia y Tecnología de la Región de Murcia (20813/PI/18)