Magíster en Ingeniería de Sistemas con Mención en Dirección y Gestión en Tecnología de Información

Permanent URI for this collection

https://hdl.handle.net/20.500.12840/36

Browse

Browsing Magíster en Ingeniería de Sistemas con Mención en Dirección y Gestión en Tecnología de Información by Subject "Calidad de aire"

Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    Modelado y pronóstico de la contaminación del aire utilizando un modelo de aprendizaje extremo
    (Universidad Peruana Unión, 2026-03-19) Sanchez Torpoco de Chavarría, Diana Lidia; Vidalón Aliaga, María Antonieta; López Gonzales, Javier Linkolk
    La contaminación del aire por material particulado (PM10) representa una importante amenaza para la salud pública en las megaciudades de América Latina, donde las concentraciones frecuentemente superan las directrices de la Organización Mundial de la Salud, como se ha documentado en Lima Metropolitana. Este estudio desarrolla un marco basado en componentes para el modelado y pronóstico horario de PM10, que descompone la serie temporal en componentes deterministas tendencia de largo plazo y periodicidades horaria, semanal y anual y un componente estocástico. El análisis utiliza datos de cinco estaciones de monitoreo (ATE, CDM, CRB, HCH y SMP) recopilados entre enero de 2017 y diciembre de 2018. Se evalúan cuatro enfoques para modelar el componente estocástico: Máquina de Aprendizaje Extremo (ELM), Autorregresión con Redes Neuronales (NNAR), Autorregresión No Paramétrica y Promedio Móvil Autorregresivo (ARMA). El rendimiento de los modelos se evalúa utilizando el error absoluto medio, el error porcentual absoluto medio, el error absoluto mediano y la raíz del error cuadrático medio, dentro de un marco de ventana expansiva. Los resultados indican que ELM y NNAR superan consistentemente a los modelos estadísticos tradicionales en todas las métricas y estaciones de monitoreo, logrando los menores errores de predicción. Estos hallazgos demuestran la eficacia de las técnicas de aprendizaje automático para capturar las dinámicas no lineales del PM10 en entornos urbanos complejos. Además, este estudio proporciona la primera evaluación del modelo ELM para el pronóstico horario de PM10 en Lima Metropolitana y establece un marco computacionalmente eficiente con aplicabilidad directa en sistemas de alerta temprana para la gestión de la calidad del aire.