Por favor, use este identificador para citar o enlazar este ítem: http://hdl.handle.net/10609/107026
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.authorMaestre Sanmiguel, Oscar Jovanni-
dc.date.accessioned2020-01-25T02:53:55Z-
dc.date.available2020-01-25T02:53:55Z-
dc.date.issued2020-01-08-
dc.identifier.urihttp://hdl.handle.net/10609/107026-
dc.description.abstractEn los últimos años se han incrementado los niveles de contaminación del aire en la ciudad de Medellín y su área metropolitana, la causa en gran medida se debe a la emisión de agentes nocivos para la salud en los seres humanos. La OMS en sus guías de calidad del aire hace referencia a cuatro contaminantes comunes: El material particulado (PM), ozono (O3), dióxido de nitrógeno (NO2) y dióxido de azufre (SO2). En el caso particular de la ciudad de Medellín y su área metropolitana se ha registrado un aumento de enfermedades respiratorias agudas; estudios realizados por diversas instituciones entre 2017 y 2018 señalaron que la emisión de material particulado PM2.5 ascendía a 1.230 toneladas por año, provenientes de fuentes móviles (vehículos) y fijas (fábricas), cada una con una representación del 70% y 30% respectivamente. Las medidas de mitigación adoptadas por las administraciones municipales son reactivas y sin planeación, enfocadas principalmente a restringir el tráfico de vehículos durante algunas horas del día. Por lo descrito anteriormente, el objetivo de este trabajo de fin de máster se centra en poder predecir los niveles de material particulado PM2.5 con 48 horas de anticipación, mediante modelos de redes neuronales recurrentes RNN, GRU, LSTM y un modelo hibrido que combina LSTM y MLP. En el entrenamiento de los modelos se usaron los datos abiertos suministrados por el Sistema de Alerta Temprana de Medellín y el Valle de Aburrá - SIATA, a los cuales se les aplicó un conjunto de técnicas y procesos propios de la minería de datos. Los resultados finales son comparados en función de la precisión de las predicciones de los modelos generados, además se evalúan si estos son apropiados como una herramienta de ayuda en la toma de decisiones, que permita implementar las medidas correctivas por parte de las administraciones públicas encargadas.es
dc.description.abstractRecent years the levels of air pollution have increased in Medellin and its metropolitan area, the cause is largely due to the emission of agents harmful to human health. WHO in its air quality guidelines refers to four common pollutants: particulate matter (PM), ozone (O3), nitrogen dioxide (NO2) and sulfur dioxide (SO2). In the particular case of the city of Medellín and its metropolitan area, there has been an increase in acute respiratory diseases; studies carried out by various institutions between 2017 and 2018 indicated that the emission of PM2.5 particulate material amounted to 1,230 tons per year from mobile (motor vehicles) and fixed sources (factories), each one with a representation of 70% and 30% respectively. The mitigation measures adopted by the municipal administrations are reactive and unplanned, mainly focused on restricting vehicle traffic during some hours of the day. Due to the above, the objective of this master's final project is to predict the levels of PM2.5 particulate material 48 hours in advance using recurrent neural network models as RNN, GRU, LSTM and one hybrid model that combines LSTM and MLP. In the models training was performed with open data supplied by the Medellín Early Warning System and the Aburrá Valley ¿ SIATA, which a set of techniques and processes of data mining was applied. The results are compared based on the accuracy of the predictions of the generated models, and these are evaluated to determine if they are useful as a tool to help in decision-making, which allow the implementation of corrective measures by the responsible public administrations.en
dc.description.abstractEn els últims anys s'han incrementat els nivells de contaminació de l'aire a la ciutat de Medellín i la seva àrea metropolitana, la causa en gran manera es deu a l'emissió d'agents nocius per a la salut en els éssers humans. L'OMS en els seus guies de qualitat de l'aire fa referència a quatre contaminants comuns: El material particulado (PM), ozó (O3), diòxid de nitrogen (NO2) i diòxid de sofre (SO2). En el cas particular de la ciutat de Medellín i la seva àrea metropolitana s'ha registrat un augment de malalties respiratòries agudes; estudis realitzats per diverses institucions entre 2017 i 2018 van assenyalar que l'emissió de material particulado PM2.5 ascendia a 1.230 tones per any, provinents de fonts mòbils (vehicles) i fixes (fàbriques), cadascuna amb una representació del 70% i 30% respectivament. Les mesures de mitigació adoptades per les administracions municipals són reactives i sense planeación, enfocades principalment a restringir el trànsit de vehicles durant algunes hores del dia. Pel descrit anteriorment, l'objectiu d'aquest treball de fi de màster se centra en poder predir els nivells de material particulado PM2.5 amb 48 hores d'anticipació, mitjançant models de xarxes neuronals recurrents RNN, GRU, LSTM i un model hibrido que combina LSTM i MLP. En l'entrenament dels models es van usar les dades obertes subministrades pel Sistema d'Alerta Primerenca de Medellín i la Vall de Aburrá - SIATA, als quals se'ls va aplicar un conjunt de tècniques i processos propis de la mineria de dades. Els resultats finals són comparats en funció de la precisió de les prediccions dels models generats, a més s'avaluen si aquests són apropiats com una eina d'ajuda en la presa de decisions, que permeti implementar les mesures correctives per part de les administracions públiques encarregades.ca
dc.format.mimetypeapplication/pdf-
dc.language.isospa-
dc.publisherUniversitat Oberta de Catalunya (UOC)-
dc.rightsCC BY-NC-SA-
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/3.0/es/-
dc.subjectredes neuronales recurrenteses
dc.subjectrecurrent neural networksen
dc.subjectminería de datoses
dc.subjectdata miningen
dc.subjectmineria de dadesca
dc.subjectRNNes
dc.subjectRNNca
dc.subjectRNNen
dc.subjectcalidad del airees
dc.subjectqualitat de l'aireca
dc.subjectair qualityen
dc.subjectxarxes neuronals recurrentsca
dc.subjectGRUca
dc.subjectGRUes
dc.subjectGRUen
dc.subject.lcshData mining -- TFMen
dc.titlePredicción de la calidad del aire de la ciudad de Medellín y su área metropolitana mediante el uso de redes neuronales recurrentes-
dc.typeinfo:eu-repo/semantics/masterThesis-
dc.audience.educationlevelEstudis de Màsterca
dc.audience.educationlevelEstudios de Másteres
dc.audience.educationlevelMaster's degreesen
dc.subject.lemacMineria de dades -- TFMca
dc.subject.lcshesMinería de datos -- TFMes
dc.contributor.directorCasas-Roma, Jordi-
dc.contributor.tutorParada Medina, Raúl-
dc.rights.accessRightsinfo:eu-repo/semantics/openAccess-
Aparece en las colecciones: Bachelor thesis, research projects, etc.

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
TFM_notebooks_datos.zipJupyter Notebooks7,9 MBUnknownVisualizar/Abrir
omaestresTFM0120memoria.pdfMemoria del TFM9,54 MBAdobe PDFVista previa
Visualizar/Abrir
omaestresTFM0120presentación.pdfPresentación del TFM1,57 MBAdobe PDFVista previa
Visualizar/Abrir