Por favor, use este identificador para citar o enlazar este ítem:
https://ri-ng.uaq.mx/handle/123456789/11384| Título: | Predicción de excedencias de partículas contaminantes en el ambiente mediante técnicas de inteligencia artificial |
| Autor(es): | José Luis Maciel Jacobo |
| Área: | INGENIERÍA Y TECNOLOGÍA |
| Fecha de publicación : | 1-feb-2026 |
| Editorial : | Universidad Autónoma de Querétaro |
| Páginas: | 1 recurso en línea (52 páginas) |
| Folio RI: | IGMAC-317934 |
| Facultad: | Facultad de Ingeniería |
| Programa académico: | Maestría en Ciencias en Inteligencia Artificial |
| Resumen: | En los últimos años, la predicción de la calidad del aire se ha convertido en un área de investigación crítica, particularmente en entornos urbanos donde la contaminación del aire representa riesgos significativos para la salud. Este estudio presenta una investigación sobre la predicción de excedencias de partículas PM2.5 en la Ciudad de México utilizando una arquitectura innovadora de red neuronal conocida como Informer, una variante del modelo Transformer. El modelo Informer se compara con una red LSTM, una elección popular para tareas de predicción de datos secuenciales. A través de una extensa experimentación y rigurosa evaluación, nuestros hallazgos destacan la efectividad del modelo Informer para capturar dependencias temporales y predecir con precisión las excedencias de PM2.5. Al aprovechar su mecanismo de autoatención y capacidades de procesamiento paralelo, el modelo Informer supera consistentemente a las redes LSTM tradicionales. Esta superioridad es particularmente evidente en escenarios caracterizados por patrones temporales complejos y dependencias a largo plazo. A lo largo de varios experimentos, en los que variamos tanto el tipo de predicción (univariada y multivariada) como los intervalos de predicción (24, 48 y 72 horas), el modelo Informer ofreció consistentemente mejores resultados en comparación con el LSTM. Específicamente, logramos mejoras del 29.59% en MAE y del 22.97% en MSE. Esta investigación contribuye al avance de las metodologías de predicción de la calidad del aire, ofreciendo valiosas ideas sobre el potencial de las arquitecturas de redes neuronales de última generación para el monitoreo ambiental y la gestión de la salud pública en áreas urbanas. Los resultados subrayan la importancia de aprovechar técnicas avanzadas de aprendizaje profundo para realizar predicciones más precisas y confiables de los parámetros de calidad del aire, facilitando así medidas proactivas para mitigar los efectos adversos de la contaminación del aire en la salud humana. |
| URI: | https://ri-ng.uaq.mx/handle/123456789/11384 |
| Aparece en: | Maestría en Ciencias en Inteligencia Artificial |
Archivos:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| IGMAC-317934.pdf | 3.87 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.