Modelado y pronóstico de la contaminación del aire utilizando un modelo de aprendizaje extremo

Simple item page
dc.contributor.advisorLópez Gonzales, Javier Linkolk
dc.contributor.authorSanchez Torpoco de Chavarría, Diana Lidia
dc.contributor.authorVidalón Aliaga, María Antonieta
dc.date.accessioned2026-04-21T22:33:36Z
dc.date.available2026-04-21T22:33:36Z
dc.date.embargoEnd2028-03-19
dc.date.issued2026-03-19
dc.description.abstractLa 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.
dc.description.escuelaEscuela de Posgrado
dc.description.lineadeinvestigacionInteligencia artificial
dc.description.sedeLima
dc.formatapplication/pdf
dc.identifier.urihttps://hdl.handle.net/20.500.12840/10040
dc.language.isospa
dc.publisherUniversidad Peruana Unión
dc.publisher.countryPE
dc.rightsinfo:eu-repo/semantics/embargoedAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subjectPronóstico de PM10
dc.subjectMáquina de aprendizaje extremo
dc.subjectLima Metropolitana
dc.subjectModelado basado en componentes
dc.subjectCalidad de aire
dc.subject.ocdehttp://purl.org/pe-repo/ocde/ford#2.02.04
dc.titleModelado y pronóstico de la contaminación del aire utilizando un modelo de aprendizaje extremo
dc.typeinfo:eu-repo/semantics/masterThesis
renati.advisor.dni46071566
renati.advisor.orcidhttps://orcid.org/0000-0003-0847-0552
renati.author.dni41749739
renati.author.dni10149876
renati.discipline612467
renati.jurorHuanca López, Lizeth Geanina
renati.jurorGonzales Garay, Jhon Harold
renati.jurorTocto Cano, Esteban
renati.jurorCanas Rodríguez, Paulo Jorge
renati.jurorLópez Gonzales, Javier Linkolk
renati.levelhttps://purl.org/pe-repo/renati/level#maestro
renati.typehttp://purl.org/pe-repo/renati/type#trabajoDeInvestigacion
thesis.degree.disciplineMaestría en Ingeniería de Sistemas con Mención en Dirección y Gestión en Tecnologías de Información
thesis.degree.grantorUniversidad Peruana Unión. Unidad de Posgrado de Ingeniería y Arquitectura
thesis.degree.nameMaestro en Ingeniería de Sistemas con Mención en Dirección y Gestión en Tecnologías de Información

Files

Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Diana_Trabajo_Especialidad_2026.pdf
Size:
313.98 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Autorización.pdf
Size:
202.6 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Reporte de similitud.pdf
Size:
783.33 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download

Collections

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