Modelo de Predicción de Emisiones

Abstract

Este proyecto se centra en el desarrollo de un modelo de predicción de la calidad del aire utilizando técnicas de aprendizaje automático. El objetivo principal es identificar las variables que contribuyen a la acumulación de contaminantes en áreas urbanas y predecir los niveles de calidad del aire en tiempo real basándose en estas variables. El estudio implica la recopilación y el análisis de datos sobre contaminantes atmosféricos, particularmente el óxido nítrico (NO), las partículas PM2.5 y PM10, de varias estaciones de monitoreo en la Comunidad de Madrid. Estos datos se combinan con información sobre el tráfico y datos meteorológicos para crear un conjunto de datos integral que permita entrenar los modelos de predicción. Asimismo, se aplican varias técnicas de regresión y estrategias de refinamiento del modelo, incluyendo la selección de hiperparámetros, la eliminación de valores atípicos y la reducción de dimensiones, para mejorar la precisión de las predicciones. Los resultados pretenden proporcionar una comprensión detallada de la dinámica de la contaminación del aire urbano y ofrecer una herramienta para la planificación urbana y la toma de decisiones en salud pública, contribuyendo al objetivo más amplio de crear ciudades sostenibles.

This project focuses on developing an air quality prediction model using machine learning techniques. The primary objective is to identify the variables that contribute to the accumulation of pollutants in urban areas and predict air quality levels in real-time based on these variables. The study involves collecting and analyzing data on atmospheric pollutants, particularly nitric oxide (NO), PM2.5, and PM10 particles, from various monitoring stations in the Community of Madrid. This data is combined with traffic information and meteorological data to create a comprehensive dataset that allows to train the prediction models. Various regression techniques and model refinement strategies are applied, including hyperparameter selection, outlier removal, and dimensionality reduction, to improve prediction accuracy. The results aim to provide a detailed understanding of urban air pollution dynamics and offer a tool for urban planning and public health decision-making, contributing to the broader goal of creating sustainable cities.