Análisis comparativo de modelos predictivos para la estimación de PM2.5 : un enfoque basado en aprendizaje automático y predicción conformal

Camelo Valera, Matías

Publicación:
Análisis comparativo de modelos predictivos para la estimación de PM2.5 : un enfoque basado en aprendizaje automático y predicción conformal

dc.contributor.advisor	Martínez Vargas, Juan David
dc.contributor.advisor	Sepúlveda Cano, Lina Maria
dc.contributor.author	Camelo Valera, Matías
dc.coverage.spatial	Medellín de: Lat: 06 15 00 N degrees minutes Lat: 6.2500 decimal degrees Long: 075 36 00 W degrees minutes Long: -75.6000 decimal degrees	eng
dc.creator.degree	Magíster en Ciencias de Datos y Analítica	spa
dc.creator.email	mcamelov@eafit.edu.co
dc.date.accessioned	2025-04-29T21:10:28Z
dc.date.available	2025-04-29T21:10:28Z
dc.date.issued	2024
dc.description	La contaminación por material particulado fino (𝑃𝑀2.5) representa un desafío ambiental y de salud pública, requiriendo modelos predictivos precisos para su monitoreo y control. En este trabajo, se comparan diferentes enfoques de aprendizaje automático, incluyendo Regresión Lineal, Random Forest y XGBoost, con y sin la inclusión de variables de movilidad, para estimar los niveles de 𝑃𝑀2.5. Además, se implementa la predicción conformal inductiva para cuantificar la incertidumbre en las estimaciones y proporcionar intervalos de confianza con 𝛼=0.05. Los resultados evidencian que XGBoost, pese a experimentar un deterioro en la fase de entrenamiento al incluir variables de movilidad, logra el mejor desempeño en validación con un menor error absoluto medio y mayor coeficiente de determinación. La predicción conformal permitió establecer intervalos de confianza con una cobertura del 89.26%, cercana al 95% esperado, lo que garantiza la fiabilidad del modelo en distintos escenarios espaciales y temporales. En conclusión, el uso de modelos de aprendizaje automático en combinación con técnicas avanzadas de validación y calibración, como la predicción conformal, permite mejorar la precisión y confiabilidad en la estimación de 𝑃𝑀2.5. Sin embargo, la calidad de las variables de entrada, especialmente las de movilidad, sigue representando un desafío, lo que sugiere la necesidad de incorporar información meteorológica y mejorar la resolución de los datos. Estos hallazgos contribuyen al desarrollo de herramientas predictivas más fiables para la gestión ambiental y la toma de decisiones en políticas de calidad del aire.
dc.description.abstract	Fine particulate matter (𝑃𝑀2.5pollution poses a significant environmental and public health challenge, requiring accurate predictive models for its monitoring and control. This study compares different machine learning approaches, including Linear Regression, Random Forest, and XGBoost, with and without the inclusion of mobility variables, to estimate 𝑃𝑀2.5 levels. Additionally, inductive conformal prediction is implemented to quantify uncertainty in the estimates and provide confidence intervals with 𝛼=0.05. The results show that while XGBoost experiences performance deterioration during training when mobility variables are included, it achieves the best validation performance with the lowest mean absolute error and the highest coefficient of determination. Conformal prediction enabled the establishment of confidence intervals with 89.26% coverage, close to the expected 95%, ensuring model reliability across different spatial and temporal scenarios. In conclusion, the use of machine learning models combined with advanced validation and calibration techniques, such as conformal prediction, enhances the accuracy and reliability of 𝑃𝑀2.5 estimation. However, the quality of input variables, particularly mobility-related data, remains a challenge, highlighting the need to incorporate meteorological information and improve data resolution. These findings contribute to the development of more reliable predictive tools for environmental management and air quality policy decision-making.
dc.identifier.uri	https://hdl.handle.net/10784/35381
dc.language.iso	spa	spa
dc.publisher	Universidad EAFIT	spa
dc.publisher.department	Escuela de Ciencias Aplicadas e Ingeniería. Área Computación y Analítica	spa
dc.publisher.place	Medellín
dc.publisher.program	Maestría en Ciencias de los Datos y Analítica	spa
dc.relation.uri	https://github.com/Matu10100/AirQuality_Prediction
dc.rights	Todos los derechos reservados	spa
dc.rights.accessrights	info:eu-repo/semantics/openAccess	eng
dc.rights.local	Acceso abierto	spa
dc.subject	Calidad del aire
dc.subject	PM2.5
dc.subject	Predictor
dc.subject	Aprendizaje automático
dc.subject	Serie de tiempo
dc.subject	Predicción conformal
dc.subject.keyword	Air quality
dc.subject.keyword	Predictive model
dc.subject.keyword	Machine Learning
dc.subject.keyword	Time series
dc.subject.keyword	Conformal prediction
dc.subject.lemb	CIENCIA DE LA INFORMACIÓN
dc.subject.lemb	APRENDIZAJE AUTOMÁTICO (INTELIGENCIA ARTIFICIAL)
dc.subject.lemb	GESTIÓN AMBIENTAL
dc.subject.lemb	INGENIERÍA ECOLÓGICA
dc.title	Análisis comparativo de modelos predictivos para la estimación de PM2.5 : un enfoque basado en aprendizaje automático y predicción conformal
dc.type	masterThesis	eng
dc.type	info:eu-repo/semantics/masterThesis	eng
dc.type.hasVersion	acceptedVersion	eng
dc.type.local	Tesis de Maestría	spa
dc.type.spa	Artículo
dspace.entity.type	Publication