Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/3683
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttp://creativecommons.org/licenses/by-nc-nd/4.0es_ES
dc.contributorMarco Antonio Aceves Fernandezes_ES
dc.creatorGerardo Javier Kuri Mongees_ES
dc.date2022-07-14-
dc.date.accessioned2022-06-08T13:31:01Z-
dc.date.available2022-06-08T13:31:01Z-
dc.date.issued2022-07-14-
dc.identifier.urihttp://ri-ng.uaq.mx/handle/123456789/3683-
dc.descriptionLa 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.es_ES
dc.formatAdobe PDFes_ES
dc.language.isospaes_ES
dc.relation.requiresNoes_ES
dc.rightsEn Embargoes_ES
dc.subjectACOes_ES
dc.subjectSwarm Intelligencees_ES
dc.subjectLSTMes_ES
dc.subject.classificationINGENIERÍA Y TECNOLOGÍAes_ES
dc.titleModeling and predicting pollutant particle exceedances through swarm intelligence techniqueses_ES
dc.typeTesis de maestríaes_ES
dc.creator.tidcurpes_ES
dc.contributor.tidcurpes_ES
dc.creator.identificadorKUMG950831HNERNR06es_ES
dc.contributor.identificadorAEFM780704HMCCRR09es_ES
dc.contributor.roleDirectores_ES
dc.degree.nameMaestría en Ciencias en Inteligencia Artificiales_ES
dc.degree.departmentFacultad de Ingenieríaes_ES
dc.degree.levelMaestríaes_ES
Aparece en: Maestría en Ciencias en Inteligencia Artificial

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
RI006706.pdf1.53 MBAdobe PDFPortada
Visualizar/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.