Imputación de datos faltantes y predicción conjunta en apicultura de precisión mediante modelos autorregresivos bayesianos
La monitorización mediante sensores es un pilar de la apicultura de precisión, pero la presencia de datos faltantes debidos a fallos de conectividad o de hardware limita la aplicabilidad de los modelos predictivos. Para abordar este problema, se propone un modelo vectorial autorregresivo bayesiano con variables exógenas que integra de forma conjunta la imputación de datos faltantes y la predicción de variables internas de la colmena. Este enfoque trata los valores faltantes como variables latentes que se estiman conjuntamente con el resto de parámetros mediante métodos de Montecarlo hamiltonianos. El método se evalúa mediante simulación y utilizando datos reales del proyecto BeeObserver, mostrando estabilidad paramétrica frente a distintos niveles de datos faltantes y una buena precisión en la predicción de temperatura, humedad y peso a distintos horizontes temporales. Este enfoque proporciona una herramienta robusta para sistemas de apoyo a la decisión en apicultura de precisión.
Keywords: Apicultura de precisión Datos faltantes Métodos de Montecarlo Modelos autorregresivos Predicción Series temporales multivariantes.