Uso de técnicas de Data Mining sobre series temporales obtenidas por simulación y aplicación de resultados en videojuego Crossroads

Abstract

Aunque el cambio climático es un desafío actual de una magnitud impredecible, existen modelos de simulación que permiten obtener previsiones a largo plazo de la evolución del clima y la economía en función de las decisiones que adoptemos. Estos simuladores permiten obtener abundante información sobre la que se pueden aplicar técnicas de data mining para conocer la relación entre las políticas y sus efectos. Crossroads es un videojuego que permite explotar estas evidencias. Este trabajo se centra en la clasificación de series temporales, resultado de un proceso de simulación, para el reconocimiento de patrones característicos implícitos. Esto se desarrolla bajo un enfoque de doble clasificación: en primer lugar, se agrupan las series que son similares entre sí para reducir el cuerpo de datos, y sobre el cuerpo reducido se extraen los patrones implícitos. El trabajo se desarrolla en el contexto del videojuego educativo Crossroads, cuya salida es el resultado de simulación, con el fin último de desarrollar un proceso autónomo de recomendaciones. Para ello, se presenta un estudio basado en la información mutua que trata de evaluar la influencia que tienen las entradas, determinadas por el jugador, sobre el patrón característico asignado. Esto permite realizar una descripción experta del patrón. Por otro lado, tras clasificar los patrones como \buenos" o \malos", es posible guiar al jugador aconsejando cambios en la entrada para obtener un resultado mejor.

Although climate change is a current challenge of unpredictable magnitude, there are simulation models that allow us to obtain long-term forecasts of the evolution of the climate and the economy based on the decisions we make. These simulators provide a wealth of information on which to apply data mining techniques to understand the relationship between policies and their effects. Crossroads is a video game that allows us to exploit this evidence. This work focuses on the classification of time series, resulting from a simulation process, for the recognition of implicit characteristic patterns. This is developed under a double classification approach: first of all, series that are similar to each other are grouped to reduce the data corpus, and, over the reduced data, the implicit patterns are extracted. The work is developed in the context of the educational video game Crossroads, whose output is the simulation result, with the ultimate goal of developing an autonomous process of recommendations. For this purpose, a study based on mutual information is presented, which tries to evaluate the infjuence that the inputs, determined by the player, have on the assigned characteristic pattern. This allows for an expert description of the pattern.On the other hand, after classifying the patterns as \good" or \bad", it is possible to guide the player by advising changes in his input to obtain a better result.