Técnicas de machine learning para la predicción de la temperatura de punto de rocío aplicado al mantenimiento predictivo de un telescopio astronómico

Abstract

En este trabajo se realiza una comparativa de modelos para la predicción de la temperatura del punto de rocío con el objetivo de implementar uno de ellos en el Sistema de Control de Telescopios Nocturnos (Control TTNN) del Instituto de Astrofísica de Canarias (IAC). Se realiza un preprocesamiento de los datos y se evaluan diferentes enfoques de aprendizaje automático, tanto univariable como multivariable, y se analizan sus resultados. El preprocesamiento de los datos efectuado incluye una detección y suavizado de anomalías, un tratamiento de valores faltantes y una selección de características, así como de un análisis de las propiedades de las variables contempladas. Se obtiene que el preprocesamiento proporciona una mejora efectiva en las predicciones, obteniendo tras las dos primeras etapas una Raíz del Error Cuadrático Medio (RMSE) un 13.24 % menor que en el conjunto original. Utilizando 10 muestras diferentes del conjunto de pruebas, se calcula la media de los resultados obtenidos por cada modelo. Los modelos son configurados con regresores externos y se ajustan los hiperparámetros durante la fase de entrenamiento y validación. Los resultados muestran que el modelo Gradient Boosting Regressor (GBR) de ScikitLearn obtiene el mejor rendimiento, logrando un RMSE de 4.81º. Además, otras métricas respaldan la superioridad del GBR, incluyendo las referentes al intervalo de predicción, dado que obtiene el menor Error Medio de Cobertura (11.26) y el Porcentaje de Cobertura más alto (66.25). En contraste, el modelo Extreme Gradient Boosting (XGBoost) muestra un RMSE de 7.21º, lo cual representa una diferencia de 2.40 grados en comparación con el GBR. Basándose en estos resultados, se selecciona el modelo GBR para su implementación en el Sistema de Control de TTNN.

In this study, a comparison of models is conducted to predict the dew point temperature with the objective of implementing one of them in the Nighttime Telescope Control System (Control TTNN) at the Institute of Astrophysics of the Canary Islands (IAC). Data preprocessing is performed, evaluating different machine learning approaches, both univariate and multivariate, and analyzing their results. The data preprocessing includes anomaly detection and smoothing, treatment of missing values, feature selection, and an analysis of the variables’ properties. It is found that preprocessing effectively improves predictions, achieving a 13.24 % lower Root Mean Square Error (RMSE) than that of the original dataset after the first two stages. Using 10 different samples from the test set, the average results obtained by each model are calculated. The models are configured with external regressors, and the hyperparameters are tuned during the training and validation phase. The results indicate that the Gradient Boosting Regressor (GBR) model from Scikit-Learn performs the best, achieving an RMSE of 4.81º. Furthermore, other metrics support the superiority of GBR, including those related to the prediction interval, as it has the lowest Mean Coverage Error (11.26) and the highest Coverage Percentage (66.25). In contrast, the Extreme Gradient Boosting (XGBoost) model exhibits an RMSE of 7.21º, representing a difference of 2.40 degrees compared to GBR. Based on these findings, the GBR model is selected for implementation in the TTNN Control System.