Deep Neural Architectures and Time SeriesA scalable system for air quality prediction and its application

Resumen

Esta tesis aborda el problema de predicción de la calidad del aire a través de técnicas de inteligencia computacional. Las series temporales de cada componente contaminante muestran diversos comportamientos en forma de patrones estacionales, niveles y picos definidos por factores meteorológicos, biológicos o físicos. Atendiendo a dichos componentes contaminantes, la tesis propone una arquitectura unificada basada en redes neuronales profundas capaz de extraer las dinámicas temporales y espaciales de dichos componentes. Predicciones precisas de la calidad del aire es una piedra angular para la implementación de medidas de control de contaminación y como consecuencia de protección de la salud pública. Esta tesis propone una aplicación directa de los resultados de predicción consistente en su uso para predecir casos de pacientes con enfermedades relacionadas. De esta manera se muestra no solo la aplicación directa de la propuesta sino también su escalabilidad. La tesis está estructurada en cinco partes correspondientes a 10 capítulos más dos capítulos extra resultado de estudios derivados de la línea principal de investigación: La primera parte consistente en los Capítulos 1 y 2 introduce al lector en el contexto de investigación y la metodología utilizada. La segunda parte compuesta por los Capítulos 3 y 4 aborda el problema de predicción de series temporales biometeorológicas. La tercera parte (Capitulos 5 y 6) examina la detección automática de factores influyentes en series temporales. La cuarta parte consistente en los Capítulos 7 y 8 propone la arquitecturas de redes neuronales profundas para la predicción de contaminantes químicos. Finalmente, los Capítulos 9 y 10 consisten en la propuesta final de la arquitectura y su aplicación a la predicción de casos de pacientes con enfermedades derivadas.