Modelado y pronóstico de la contaminación del aire utilizando un modelo de aprendizaje extremo
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 Metropolita...
Guardado en:
| Autores principales: | , |
|---|---|
| Otros Autores: | |
| Formato: | Tesis de maestría |
| Lenguaje: | español |
| Publicado: |
Universidad Peruana Unión
2026
|
| Materias: | |
| Acceso en línea: | Enlace permanente (DOI o Handle) |
| Etiquetas: |
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| _version_ | 1881509983084871680 |
|---|---|
| author | Sanchez Torpoco de Chavarría, Diana Lidia Vidalón Aliaga, María Antonieta |
| author2 | Lopez Gonzales, Javier Linkolk |
| author_browse | Lopez Gonzales, Javier Linkolk Sanchez Torpoco de Chavarría, Diana Lidia Vidalón Aliaga, María Antonieta |
| author_facet | Lopez Gonzales, Javier Linkolk Sanchez Torpoco de Chavarría, Diana Lidia Vidalón Aliaga, María Antonieta |
| author_sort | Sanchez Torpoco de Chavarría, Diana Lidia |
| collection | Repositorio institucional |
| description | 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. |
| escuela_str_mv | Escuela de Posgrado |
| format | info:eu-repo/semantics/masterThesis |
| id | oai:repositorio.upeu.edu.pe:20.500.12840/10040 |
| institution | UPeU |
| language | Spanish |
| linea_str_mv | Inteligencia artificial |
| ocde_area_str_mv | Ingeniería y tecnología |
| ocde_disciplina_str_mv | Ingeniería eléctrica, electrónica e informática |
| ocde_str_mv | 2.02.04 |
| programa_nombre_str_mv | Maestría en Ingeniería de Sistemas con Mención en Dirección y Gestión en Tecnologías de Información |
| publishDate | 2026 |
| publishDateRange | 2026 |
| publishDateSort | 2026 |
| publisher | Universidad Peruana Unión |
| publisherStr | Universidad Peruana Unión |
| record_format | dspace |
| sede_str_mv | Lima |
| spelling | Modelado y pronóstico de la contaminación del aire utilizando un modelo de aprendizaje extremo Sanchez Torpoco de Chavarría, Diana Lidia Vidalón Aliaga, María Antonieta Lopez Gonzales, Javier Linkolk Pronóstico de PM10 Máquina de aprendizaje extremo Lima Metropolitana Modelado basado en componentes Calidad de aire 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. 2026-03-19 2026-04-21T22:33:36Z 2026-04-21T22:33:36Z 2028-03-19 info:eu-repo/date/embargoEnd/2028-03-19 info:eu-repo/semantics/masterThesis https://hdl.handle.net/20.500.12840/10040 spa info:eu-repo/semantics/embargoedAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ application/pdf Universidad Peruana Unión PE oai:repositorio.upeu.edu.pe:20.500.12840/10040 2026-11-10T17:45:09Z |
| spellingShingle | Pronóstico de PM10 Máquina de aprendizaje extremo Lima Metropolitana Modelado basado en componentes Calidad de aire Sanchez Torpoco de Chavarría, Diana Lidia Vidalón Aliaga, María Antonieta Modelado y pronóstico de la contaminación del aire utilizando un modelo de aprendizaje extremo |
| title | Modelado y pronóstico de la contaminación del aire utilizando un modelo de aprendizaje extremo |
| title_full | Modelado y pronóstico de la contaminación del aire utilizando un modelo de aprendizaje extremo |
| title_fullStr | Modelado y pronóstico de la contaminación del aire utilizando un modelo de aprendizaje extremo |
| title_full_unstemmed | Modelado y pronóstico de la contaminación del aire utilizando un modelo de aprendizaje extremo |
| title_short | Modelado y pronóstico de la contaminación del aire utilizando un modelo de aprendizaje extremo |
| title_sort | modelado y pronostico de la contaminacion del aire utilizando un modelo de aprendizaje extremo |
| topic | Pronóstico de PM10 Máquina de aprendizaje extremo Lima Metropolitana Modelado basado en componentes Calidad de aire |
| topic_facet | Pronóstico de PM10 Máquina de aprendizaje extremo Lima Metropolitana Modelado basado en componentes Calidad de aire |
| url | https://hdl.handle.net/20.500.12840/10040 |
| work_keys_str_mv | AT sancheztorpocodechavarriadianalidia modeladoypronosticodelacontaminaciondelaireutilizandounmodelodeaprendizajeextremo AT vidalonaliagamariaantonieta modeladoypronosticodelacontaminaciondelaireutilizandounmodelodeaprendizajeextremo |