Predicción de la calidad del aire de la ciudad de Medellín y su área metropolitana mediante el uso de redes neuronales recurrentes
En los últimos años se han incrementado los niveles de contaminación del aire en la ciudad de Medellín y su área metropolitana, la causa en gran medida se debe a la emisión de agentes nocivos para la salud en los seres humanos. La OMS en sus guías de calidad del aire hace referencia a cuatro contami...
| 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:10609/107026 |
| Acceso en línea: | http://hdl.handle.net/10609/107026 |
| Access Level: | acceso abierto |
| Palabra clave: | redes neuronales recurrentes minería de datos RNN calidad del aire GRU recurrent neural networks data mining air quality mineria de dades qualitat de l'aire xarxes neuronals recurrents Data mining -- TFM Mineria de dades -- TFM Minería de datos -- TFM |
| Sumario: | En los últimos años se han incrementado los niveles de contaminación del aire en la ciudad de Medellín y su área metropolitana, la causa en gran medida se debe a la emisión de agentes nocivos para la salud en los seres humanos. La OMS en sus guías de calidad del aire hace referencia a cuatro contaminantes comunes: El material particulado (PM), ozono (O3), dióxido de nitrógeno (NO2) y dióxido de azufre (SO2). En el caso particular de la ciudad de Medellín y su área metropolitana se ha registrado un aumento de enfermedades respiratorias agudas; estudios realizados por diversas instituciones entre 2017 y 2018 señalaron que la emisión de material particulado PM2.5 ascendía a 1.230 toneladas por año, provenientes de fuentes móviles (vehículos) y fijas (fábricas), cada una con una representación del 70% y 30% respectivamente. Las medidas de mitigación adoptadas por las administraciones municipales son reactivas y sin planeación, enfocadas principalmente a restringir el tráfico de vehículos durante algunas horas del día. Por lo descrito anteriormente, el objetivo de este trabajo de fin de máster se centra en poder predecir los niveles de material particulado PM2.5 con 48 horas de anticipación, mediante modelos de redes neuronales recurrentes RNN, GRU, LSTM y un modelo hibrido que combina LSTM y MLP. En el entrenamiento de los modelos se usaron los datos abiertos suministrados por el Sistema de Alerta Temprana de Medellín y el Valle de Aburrá - SIATA, a los cuales se les aplicó un conjunto de técnicas y procesos propios de la minería de datos. Los resultados finales son comparados en función de la precisión de las predicciones de los modelos generados, además se evalúan si estos son apropiados como una herramienta de ayuda en la toma de decisiones, que permita implementar las medidas correctivas por parte de las administraciones públicas encargadas. |
|---|