Los flujos de datos generados por sistemas industriales complejos suelen estar acompañados de deriva de concepto y dependencias dinámicas espacio-temporales en evolución, factores que conjuntamente perjudican el rendimiento y la fiabilidad de los modelos predictivos convencionales que asumen una distribución de datos estática. Para enfrentar este desafío, este artículo propone una red neuronal gráfica jerárquica consciente de la incertidumbre para flujos de datos con deriva (UHGNN). El método fusiona la topología física con las interacciones de alto orden entre sensores en una estructura gráfica jerárquica, extrayendo explícitamente características temporales y espaciales del flujo de datos. Además, el modelo introduce un mecanismo de detección de deriva basado en incertidumbre cognitiva, identificando en tiempo real la deriva de concepto y activando el ajuste fino del modelo para una rápida adaptación. Los experimentos basados en un sistema industrial en línea real — conjunto de datos del proceso de refinación por hidrotratamiento de diésel — muestran que UHGNN mitiga eficazmente los efectos adversos de la deriva de concepto, logrando una mayor precisión predictiva que los modelos base en tareas de predicción de flujos con deriva. El método también demuestra una fuerte robustez frente a hiperparámetros clave, manteniendo a la vez la eficiencia computacional que apoya el despliegue industrial.

deriva de concepto;flujo de datos;red neuronal gráfica jerárquica;incertidumbre cognitiva