Técnicas de Deep Learning para la predicción de los niveles de contaminación

Abstract

Machine learning, Deep Learning o Time Series Forecasting son expresiones cada vez más frecuentes en nuestra vida diaria. Además, los datos que se generan diariamente por usuarios y empresas se están incrementando continuamente. El objetivo de este trabajo fin de máster es realizar un estudio combinando varias técnicas de inteligencia

artificial para predecir los niveles de contaminación de la ciudad de Madrid. En este trabajo se ha usado Random Forest y una red neuronal recurrente. Además de estas técnicas, se ha usado la técnica principal component analysis con el objetivo de seleccionar las características más importantes de los datos para así minimizar el error en los datos de pronóstico de los niveles de contaminación. Los contaminantes pronosticados son Monóxido de Carbono (CO), Dióxido de Nitrógeno (NO2) y Ozono (O3). Con el propósito de obtener pronósticos de calidad, se utilizarán las siguientes variables meteorológicas: temperatura máxima, la dirección del viento o la velocidad media del viento. El objetivo es la obtención del pronóstico de los niveles de contaminación para seis días.