Predicción de la calidad del aire de la ciudad de Madrid mediante técnicas de machine-learning
El cambio climático es un tema de actualidad y la polución se encuentra estrechamente relacionada impactando directamente en la calidad del aire. Ello puede causar graves consecuencias en la salud humana y en el medio ambiente. Para ayudar a disminuir el impacto de la polución, se han establecidos n...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2020 |
| País: | España |
| Institución: | Universitat Oberta de Catalunya (UOC) |
| Repositorio: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/120066 |
| Acceso en línea: | http://hdl.handle.net/10609/120066 |
| Access Level: | acceso abierto |
| Palabra clave: | predicción PM2.5 calidad del aire predicció qualitat de l'aire prediction air quality index Machine learning -- TFM Aprenentatge automàtic -- TFM Aprendizaje automático -- TFM |
| Sumario: | El cambio climático es un tema de actualidad y la polución se encuentra estrechamente relacionada impactando directamente en la calidad del aire. Ello puede causar graves consecuencias en la salud humana y en el medio ambiente. Para ayudar a disminuir el impacto de la polución, se han establecidos normas legales que obligan en mayor o menor medida a los agentes contaminantes a minimizar su impacto. Para ello se han establecido punto de mediciones que permiten obtener de una manera constante los diferentes índices que establecen la calidad del aire. Estas mediciones junto con el histórico meteorológico e histórico de días festivos que podemos obtener de datos abiertos nos permiten generar modelos predictivos que sean capaces de predecir con varios días de anticipación cómo va a evolucionar la calidad de aire, permitiendo que los agentes institucionales puedan actuar en consecuencia. El objetivo de este trabajo de fin de máster es obtener un modelo predictivo que permita de una manera fiable y precisa conocer la evolución de la calidad del aire con varios días de anticipación, y que de esta manera permita a las instituciones pública actuar en consecuencia con suficiente antelación. Para ello se aplicarán diferentes técnicas y algoritmos de minería de datos (RNN, LSTM, GRU) a los datos abiertos ofrecidos por instituciones públicas. Un objetivo secundario de este trabajo es obtener predicciones específicas por área de la ciudad, haciendo uso de las localizaciones de los puntos de medición y permitiendo si cabe realizar predicciones más precisas por área. |
|---|