| Sumario: | Las redes de sensores Internet of Things (IoT) desempeñan un papel clave en aplicaciones como la monitorización ambiental y el desarrollo de ciudades inteligentes. No obstante, su eficiencia operacional depende tanto de la calidad como de la relevancia de los datos captados, así como del consumo energético asociado a su despliegue y operación. Este proyecto se centra en la optimización funcional de redes IoT urbanas mediante el uso de técnicas de aprendizaje automático. A través del análisis de datos climáticos, de calidad del aire y de tráfico obtenidos en Madrid, se desarrolla un modelo predictivo basado en redes neuronales LSTM capaz de anticipar condiciones ambientales con alta precisión. Para reducir el consumo energético sin comprometer significativamente el rendimiento del sistema, se propusieron dos estrategias de reducción de sensores: eliminación aleatoria y eliminación basada en agrupamientos espaciales (clústeres). Los resultados muestran que es posible desconectar parcialmente la red sin pérdida sustancial de precisión, validando la viabilidad de una gestión sensórica más eficiente. Aunque las comunicaciones satelitales forman parte del marco general del proyecto, en esta fase el enfoque principal ha sido la optimización funcional de la red de sensores IoT mediante aprendizaje automático.
|
|---|
