1. Repositorio Institucional UAQ
  2. Tesis
  3. Facultad de Ingeniería
  4. Maestría
  5. Maestría en Ciencias en Inteligencia Artificial
Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/11384
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttps://creativecommons.org/licenses/by-nc-nd/4.0es_ES
dc.contributorMarco Antonio Aceves Fernándezes_ES
dc.creatorJosé Luis Maciel Jacoboes_ES
dc.date.accessioned2025-01-30T13:37:57Z-
dc.date.available2025-01-30T13:37:57Z-
dc.date.issued2026-02-01-
dc.identifier.urihttps://ri-ng.uaq.mx/handle/123456789/11384-
dc.descriptionEn 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.es_ES
dc.formatpdfes_ES
dc.format.extent1 recurso en línea (52 páginas)es_ES
dc.format.mediumcomputadoraes_ES
dc.language.isospaes_ES
dc.publisherUniversidad Autónoma de Querétaroes_ES
dc.relation.requiresSies_ES
dc.rightsembargoedAccesses_ES
dc.subject.classificationINGENIERÍA Y TECNOLOGÍAes_ES
dc.titlePredicción de excedencias de partículas contaminantes en el ambiente mediante técnicas de inteligencia artificiales_ES
dc.typeTesis de maestríaes_ES
dc.creator.tidORCIDes_ES
dc.contributor.tidORCIDes_ES
dc.creator.identificador0009-0002-7261-8662es_ES
dc.contributor.identificador0000-0002-5455-0329es_ES
dc.contributor.roleDirectores_ES
dc.degree.nameMaestría en Ciencias en Inteligencia Artificiales_ES
dc.degree.departmentFacultad de Ingenieríaes_ES
dc.degree.levelMaestríaes_ES
dc.format.supportrecurso en líneaes_ES
dc.matricula.creator317934es_ES
dc.folioIGMAC-317934es_ES
Aparece en: Maestría en Ciencias en Inteligencia Artificial

Archivos:
Fichero Descripción Tamaño Formato  
IGMAC-317934.pdf3.87 MBAdobe PDFVisualizar/Abrir
Mostrar el registro sencillo del ítem


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.