Buscar


Mostrar el registro sencillo del ítem

dc.rights.license https://creativecommons.org/licenses/by-nc-nd/4.0 es_ES
dc.contributor Marco Antonio Aceves Fernández es_ES
dc.creator José Luis Maciel Jacobo es_ES
dc.date.accessioned 2025-01-30T13:37:57Z
dc.date.available 2025-01-30T13:37:57Z
dc.date.issued 2026-02-01
dc.identifier.uri https://ri-ng.uaq.mx/handle/123456789/11384
dc.description 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. es_ES
dc.format pdf es_ES
dc.format.extent 1 recurso en línea (52 páginas) es_ES
dc.format.medium computadora es_ES
dc.language.iso spa es_ES
dc.publisher Universidad Autónoma de Querétaro es_ES
dc.relation.requires Si es_ES
dc.rights embargoedAccess es_ES
dc.subject.classification INGENIERÍA Y TECNOLOGÍA es_ES
dc.title Predicción de excedencias de partículas contaminantes en el ambiente mediante técnicas de inteligencia artificial es_ES
dc.type Tesis de maestría es_ES
dc.creator.tid ORCID es_ES
dc.contributor.tid ORCID es_ES
dc.creator.identificador 0009-0002-7261-8662 es_ES
dc.contributor.identificador 0000-0002-5455-0329 es_ES
dc.contributor.role Director es_ES
dc.degree.name Maestría en Ciencias en Inteligencia Artificial es_ES
dc.degree.department Facultad de Ingeniería es_ES
dc.degree.level Maestría es_ES
dc.format.support recurso en línea es_ES
dc.matricula.creator 317934 es_ES
dc.folio IGMAC-317934 es_ES


Ficheros en el ítem

Thumbnail
Nombre: IGMAC-317934.pdf
Tamaño: 3.782Mb
Formato: PDF
Ver/

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem