Modeling and predicting pollutant particle exceedances through swarm intelligence techniques

Gerardo Javier Kuri Monge

Buscar

dc.rights.license	http://creativecommons.org/licenses/by-nc-nd/4.0	es_ES
dc.contributor	Marco Antonio Aceves Fernandez	es_ES
dc.creator	Gerardo Javier Kuri Monge	es_ES
dc.date	2022-07-14
dc.date.accessioned	2022-06-08T13:31:01Z
dc.date.available	2022-06-08T13:31:01Z
dc.date.issued	2022-07-14
dc.identifier.uri	http://ri-ng.uaq.mx/handle/123456789/3683
dc.description	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.	es_ES
dc.format	Adobe PDF	es_ES
dc.language.iso	spa	es_ES
dc.relation.requires	No	es_ES
dc.rights	En Embargo	es_ES
dc.subject	ACO	es_ES
dc.subject	Swarm Intelligence	es_ES
dc.subject	LSTM	es_ES
dc.subject.classification	INGENIERÍA Y TECNOLOGÍA	es_ES
dc.title	Modeling and predicting pollutant particle exceedances through swarm intelligence techniques	es_ES
dc.type	Tesis de maestría	es_ES
dc.creator.tid	curp	es_ES
dc.contributor.tid	curp	es_ES
dc.creator.identificador	KUMG950831HNERNR06	es_ES
dc.contributor.identificador	AEFM780704HMCCRR09	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