Model-driven engineering and predictive analytics for implementation of sustainable development goals

  1. Okewu, Emmanuel
Supervised by:
  1. Luis Fernández Sanz Director
  2. Sanjay Misra Co-director

Defence university: Universidad de Alcalá

Fecha de defensa: 06 October 2020

Committee:
  1. Raquel Lacuesta Gilaberte Chair
  2. María Teresa Villalba de Benito Secretary
  3. José A. Calvo-Manzano Villalón Committee member
Department:
  1. Ciencias de la Computación

Type: Thesis

Teseo: 154611 DIALNET

Abstract

La mejora de la calidad de la implementación de los planes de desarrollo sostenible sigue siendo una preocupación entre las entidades implicadas. La medición, la supervisión y la evaluación son las 3 fases cardinales a las que está sometido cualquier plan de desarrollo sostenible para garantizar una implementación exitosa. La implementación de planes globales de sostenibilidad previos estuve lejos de ser impactante, como en el caso de los Objetivos de Desarrollo del Milenio (ODM) y eso significa que existe una necesidad de explorar enfoques mejores para medir, supervisar y evaluar tales planes a nivel nacional y local. El fallo de los ODM se ha atribuido, en parte, a un uso inapropiado de los datos en cuanto a disponibilidad, por un lado, y a la incapacidad para detectar y predecir patrones en los datos disponibles, por el otro. En este trabajo, mejoramos la medición y la supervisión al promover un mejor entendimiento entre las entidades implicadas utilizando la ingeniería dirigida por modelos (model-driven engineering, MDE). La MDE simplifica y desmitifica los conceptos de desarrollo. Esto se consigue mediante la demostración gráfica de las entidades y sus relaciones y su cuantificación. También proponemos la integración de la analítica predictiva en la evaluación de los objetivos de desarrollo sostenible utilizando redes neuronales de Deep Learning (deep learning neural networks, DLNN). Esta técnica de aprendizaje automático detecta patrones en los datos existentes y predice el resultado de datos futuros utilizando los patrones aprendidos. La combinación de estas contribuciones para mejorar la medición, la supervisión y la evaluación está orientada a la mejora de la implementación de los planes globales presentes y futuros como los Objetivos de Desarrollo Sostenible (2015-2030).