Título :	Modeling and predicting pollutant particle exceedances through swarm intelligence techniques
Autor:	Gerardo Javier Kuri Monge
Palabras clave :	INGENIERÍA Y TECNOLOGÍA CIENCIAS TECNOLÓGICAS Otro
Fecha de publicación :	14-jul-2022
Facultad:	Facultad de Ingeniería
Prográma académico:	Maestría en Ciencias en Inteligencia Artificial
Resumen:	La mala calidad del aire afecta la salud de la población expuesta a esta. Este factor lo convierte en un tema de interés actual. Existen diferentes contaminantes que contribuyen a este problema, como la materia particulada (PM por sus siglas en inglés) generada principalmente por el desarrollo industrial y el flujo de tráfico. Dado que las características geográficas de la Zona Metropolitana del Valle de México no permiten una ventilación adecuada y debido a su alta densidad poblacional se registra una cantidad significativa de eventos de mala calidad del aire. La Organización Mundial de la Salud (OMS) estipula pautas de calidad del aire a nivel mundial basadas en su evaluación de riesgos que permiten cierta contaminación atmosférica. Esta tesis propone una metodología para mejorar la predicción de excedencias y modelado de PM10 y PM2.5 realizada por una red recurrente de memoria a largo/corto plazo (LSTM por sus siglas en inglés) utilizando el algoritmo de Optimización por Colonia de Hormigas (ACO por sus siglas en inglés). Obteniendo mejoras en la clasificación de excedencias que promedian 2.57% de mejor en la tasa de clasificación, 1.88% en precisión, 3.58% en sensibilidad y 3.63% en la métrica F1-score. Al igual que, reduciendo el error aproximadamente en 13.00% en RMSE y 14.82% en MAE usando como referencia los resultados obtenidos con una red neuronal profunda LSTM. En resumen, la tesis actual propone una metodología que se debería estudiar en el futuro con mayor profundidad para mejorar diferentes técnicas de modelado y clasificación en aplicaciones de la vida real donde no exista una condición de predicción de corto plazo.
URI :	http://ri-ng.uaq.mx/handle/123456789/3683
Otros identificadores :	ACO Swarm Intelligence LSTM
Aparece en las colecciones:	Maestría en Ciencias en Inteligencia Artificial

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