Segmentación automática de series temporales con algoritmos de aprendizaje no supervisado con aplicación a la calidad de aire en Madrid

Abstract

El objetivo principal de este trabajo es modelizar un ejemplo concreto de serie temporal: los datos de contaminación del aire de Madrid. Actualmente, los sistemas de Aprendizaje Profundo han demostrado ser herramientas de gran importancia a la hora de modelizar series temporales. Hay diferentes tipos de redes neuronales dedicadas a esta tarea, como pueden ser las redes neuronales convolucionales y las redes neuronales recurrentes. Estos modelos consiguen aprender

dependencias temporales a muy largo plazo entre los datos, algo que es verdaderamente útil en cuanto al análisis de series temporales. En este trabajo se in-

troducen algunos de estos modelos, así como algunos modelos estadísticos como ARIMA. Tras estudiarlos y compararlos, se elige una red neuronal en concreto: U-Time. U-Time es "un sistema completamente prealimentado que constituye una aproximación desde el Aprendizaje Profundo a la segmentación de series temporales, desarrollado con el objetivo de analizar datos relacionados con las fases del sueño" [Per+19]. Es posible modificar U-Time y entrenar dicha variante

con los datos de contaminación del aire. Después del entrenamiento, se obtiene un modelo que asigna a secuencias de entrada distintas etiquetas previamente definidas relacionadas con niveles de contaminación.