ANÁLISIS DEL COMPORTAMIENTO DE LOS PRECIOS DEL PETRÓLEO (AC2P)

  • Héctor Lozada
  • Edgar Camarago
  • José L. Aguilar C.
Palabras clave: Analítica de datos, computación autonómica, precio del petróleo

Resumen

En este artículo, se presenta un ciclo autonómico de tareas de Análisis de Datos (AdD), para evaluar el comportamiento del precio del petróleo. El modelo considera, entre otras cosas, la situación del mercado petrolero mundial, eventos climáticos que afectan la producción, comportamiento productivo de los países exportadores y la situación económica y política mundial. A cada tarea del ciclo autonómico se le aplican técnicas de minería. Por ejemplo, para analizar la situación mundial del mercado de crudo se usan técnicas de minería de texto sobre Internet, de manera de descubrir conocimiento útil que pueda ser usado para analizar el comportamiento del precio de petróleo. También, para establecer el comportamiento del precio del petróleo se desarrollaron varias modelos predictivos, basados en máquinas de aprendizaje (por ejemplo, Máquinas de Vectores de Soporte). Por otro lado, para el desarrollo del ciclo autonómico que permite analizar el comportamiento del precio del crudo, en este trabajo se usa la metodología MIDANO (“Metodología para el desarrollo de aplicaciones de Minería de Datos basados en el análisis organizacional”) en sus tres fases

Citas

[1] Zamani M. (2004). An Econometrics Forecasting Model of Short Term Oil Spot Price. 6th IAEE European Conference, Zurich, Switzerland.
[2] Mirmirani S., Li H.C. (2004). A Comparison of VAR and Neural Network with Genetic Algorithm in Forecasting Price of Oil, in Applications of Artificial Intelligence in Finance and Economics (Advances in Econometrics, Vol. 19), Binner J.M., Kendall G., Chen S.H., Emerald Group Publishing Limited (Pp. 203-223).
[3] Sadorsky P. (2006). Modeling and Forecasting Petroleum Futures Volatility. Energy Economics, Vol. 28, No. 4 (Pp. 467-488).
[4] Kilian L., Murphy D.P. (2013). The Rol of Inventories and Speculative Tranding in the Global Market for Crude Oil. Journal of Applied Econometrics, Vol. 29, No. 3 (Pp. 454478).
[5] Lozada H, Camargo E., Aguilar J., Sistema Autonómico Inteligente para Procesos Petroleros. Enviado a Publicación 2017.
[6] Vizcarrondo J., Aguilar J., Exposito E., Subias A. (2012). ARMISCOM: Autonomic Reflective MIddleware for management Service COMposition. 4th Global Information Infrastructure and Networking Symposium (GIIS 2012), Venice, Italy.
[7] Vizcarrondo J., Aguilar J., Exposito E., Subias A. (2017). MAPE-K as a Serviceoriented Architecture. Revista IEEE Latinoamerica Transactions, Vol. 15, No. 6 (Pp. 1163-1175).
[8] Aguilar J., Buendia O., Moreno K., Mosquera D. (2016). Autonomous Cycle of Data Analysis Tasks for Learning Processes, in Technologies and Innovation, ValenciaGarcía R., Lagos-Ortiz K., Alcaraz-Mármol G., Del Cioppo J., Vera-Lucio N., Springer International Publishing AG (Pp. 187-202).
[9] Aguilar J., Cordero J., Buendia O. (2017). Specification of the Autonomic Cycles of Learning Analytic Tasks for a Smart Classroom. Journal of Educational Computing Research (Pp. 1-26).
[10] Rangel C., Pacheco F., Aguilar J., Cerrada M., Altamiranda J. (2013). Methodology for Detecting the Feasibility of Using Data Mining in an Organization. XXXIX Conferencia Latinoamericana en Informática (CLEI 2013), Naiguatá, Vargas, Venezuela.
[11] Pacheco F., Aguilar J., Rangel C., Cerrada M., Altamiranda J. (2014). Methodological Framework for Data Processing base on the Data Science Paradigm. XL Conferencia Latinoamericana en Informática (CLEI 2014), Montevideo, Uruguay.
[12] Baude F., et al. (2009). GCM: A Grid Extension to Fractal for Autonomous Distributed Components. Annals of Telecommunications, Vol. 64, No. 1-2 (Pp. 5-24).
[13] Nzekwa R., Rouvoy R., Seinturier L. (2010). Modeling Feedback Control Loops for Self-Adaptive Systems. 3rd International DisCoTec Workshop on Context-Aware Adaptation Mechanisms for Pervasive and Ubiquitous Service (CAMPUS, 2010), Amsterdam, Netherlands.
[14] Mozaffari A., Vajedi M., Azad N. (2015) A Robust Safety-oriented Autonomous Cruise Control Scheme for Electric Vehicles base on Model Predictive Control and Online Sequential Extreme Learning Machine with a Hyper-level Fault Tolerance–based Supervisor. Neurocomputing, Vol.151, Part 2 (Pp. 845-856).
[15] Vizcarrondo J., Aguilar J., Exposito E., Subias A. (2017). ARMISCOM: Self-healing Service Composition. Service Oriented Computing and Applications, Vol. 11, No. 3 (Pp. 345-365).
[16] Araujo M., Aguilar J., Aponte H. (2003). Fault Detection System in Gas Lift Well based on Artificial Immune System. 2003 International Joint Conference on Neural Networks (IJCNN 2003), Portland, Oregon, USA.
[17] Camargo E., Aguilar J., Rios A., Rivas F., Aguilar-Martin J. (2009). A Neo-Fuzzy Approach for Bottom Parameters Estimation in Oil Wells. WSEAS Transactions on Systems and Control, Vol. 4, No. 9 (Pp. 445-454).
[18] Waissman J., Sarrate R., Escobet T., Aguilar J., Dahhou B. (2000). Wastewater Treatment Process Supervision by Means of a Fuzzy Automaton Model. 2000 IEEE International Symposium on Intelligent Control, Pratas, Greece.
[19] Camargo E., Aceros E, Aguilar J. (2015). Intelligent Well Systems. Asia-Pacific Conference on Computer Aided System Engineering (APCASE 2015), Quito, Ecuador.
[20] Ramsay A. (2006). Natural Language Understanding Automatic, in Encyclopedia of Language and Linguistics (Second Edition), Brown K., et al., Elsevier (Pp., 524-539).
[21] Vidal-Gil J. (2014). Big Data: Gestión de Datos No Estructurados. 214AD. Documento en Línea. Disponible en http://www.dataprix.com/blog-it/big-data/big-data-gestiondatos-no-estructurados (Consulta en abril 2017).
[22] Aguilar J., et al. (2017). Towards a Fuzzy Cognitive Map for Opinion Mining. Procedia Computer Science, Vol. 108, pp. 2522-2526, 2017.
[23] Martínez-Cámara E., Martín-Valdivia M.T., Perea-Ortega J.M., Ureña-López L.A. (2011). Técnicas de Clasificación de Opiniones Aplicadas a un Corpus en Español. Procesamiento del Lenguaje Natural, Vol. 47 (Pp. 163-170).
[24] Zhai C., Massung S. (2016). Text Data Management and Analysis: A Practical Introduction to Information Retrieval and Text Mining. ACM Books.
[25] López J., Branch J. (2005). Comparación de Modelos de Clasificación Automática de Patrones Textuales de Minerales Presentes en los Carbones Colombianos. Revista Dyna, No. 146 (Pp.115-224).
[26] Rodríguez T., Aguilar J. (2014). Aprendizaje Ontológico para el Marco Ontológico Dinámico Semántico. Revista DYNA, Vol. 81, No. 187 (Pp. 56-63).
[27] Rodríguez T., Aguilar J. (2017). Implementación del Marco ontológico Dinámico Semántico. Ingeniare, Vol. 25, No 3 (Pp. 430-448).
Publicado
2017-07-11
Cómo citar
Lozada, H., Camarago, E., & Aguilar C., J. L. (2017). ANÁLISIS DEL COMPORTAMIENTO DE LOS PRECIOS DEL PETRÓLEO (AC2P). Ingeniería Al Día, 3(2), 20 - 45. Recuperado a partir de http://revista.unisinu.edu.co/revista/index.php/ingenieriaaldia/article/view/41