INTRODUCCIÓN
Las
Redes Neuronales Artificiales (ANN) han revolucionado el campo de la predicción
ambiental al ofrecer herramientas robustas para modelar y pronosticar diversos
parámetros. Las ANN han demostrado ser efectivas en el aprendizaje de patrones
complejos a partir de grandes volúmenes de datos, haciendo posible la
predicción precisa de contaminantes atmosféricos como el ozono, el monóxido de
carbono y compuestos orgánicos volátiles (VOCs) (Alwan
et al., 2023; Pandya et al., 2020; Shukla et al., 2023). Además, las ANN
se aplican exitosamente en la predicción de parámetros de calidad del agua,
tales como turbidez, salinidad y concentración de nutrientes, siendo cruciales
para la gestión y monitoreo de recursos hídricos (Alotaibi
et al., 2022; Baranitharan et al., 2021). En el ámbito climático, las
ANN, han mostrado eficacia en la predicción de variables como la temperatura,
precipitación y radiación solar, facilitando el manejo de grandes conjuntos de
datos y múltiples variables de entrada(Rao et al.,
2022; Shukla et al., 2023).
Dentro
de las ANN existen subcategorías especializadas que amplían sus aplicaciones.
Las Redes Neuronales Feedforward (RNF), también conocidas como Feedforward
Neural Networks (FFNN), son apreciadas por su simplicidad y eficiencia
computacional en tareas que no requieren dependencias temporales explícitas (Frolov et al., 2023; Shu et al., 2024). Aunque, las
RNF se destacan en la captura de no linealidades complejas, su aplicabilidad es
más limitada en comparación con las Redes Neuronales Recurrentes (RNN) y las
Redes de Memoria a Largo Plazo (LSTM), debido a su incapacidad para modelar
dependencias temporales complejas (Cen et al., 2023;
Popli et al., 2024). Las RNN y LSTM son ideales para datos con
dependencias temporales, como el pronóstico de la calidad del aire y el caudal
de ríos, aunque presentan una mayor complejidad y tiempo de entrenamiento (Ding
et al., 2018; Suleman & Shridevi, 2022). Las Redes Neuronales
Convolucionales (CNN), diseñadas principalmente para datos espaciales, ofrecen
ventajas en el análisis de imágenes satelitales y el monitoreo de la salud de
los ecosistemas, aunque pueden ser excesivas para datos no visuales(J. Chen et al., 2023; H. Yang et al., 2023).
La
comprensión precisa de los parámetros ambientales es crucial para enfrentar
desafíos contemporáneos como el cambio climático, la contaminación del aire y
la gestión de recursos hídricos (Wu et al., 2020)
.Los datos generados por sensores IoT (Internet de las Cosas) proporcionan una
oportunidad sin precedentes para monitorear y analizar estos parámetros en
tiempo real y a gran escala (Manocha et al., 2024).
Sin embargo, la extracción de información significativa de estos datos
complejos requiere técnicas avanzadas de análisis (Sathyaseelan &
Sarathambekai, 2021). En este contexto, surge la necesidad de desarrollar
algoritmos eficientes y precisos para la predicción de parámetros ambientales
utilizando datos de sensores IoT, con aplicaciones potenciales en la
agricultura, la industria, la gestión urbana y la salud pública (Huu, 2024). Por ejemplo, una predicción precisa de
la calidad del aire puede asistir a las autoridades en la implementación de
medidas para reducir la contaminación y proteger la salud pública (Y. Chen et al., 2020; J. Yang et al., 2022).
En
este manuscrito se propone un enfoque integral para la predicción de parámetros
ambientales, como: ozono, monóxido de carbono, propano, temperatura y humedad,
utilizando datos generados por sensores IoT. La red neuronal utilizada en este manuscrito
es ANN, de tipo Perceptrón Multicapa (MLP), que forma parte de las FFNN,
presenta una estructura de múltiples capas, con una capa de entrada equivalente
al número de características relevantes, tres capas ocultas con 128, 64 y 32
nodos respectivamente, y una capa de salida con un solo nodo para la predicción
continua. Las capas ocultas emplean la función de activación ReLU,
regularización L2 y Dropout para prevenir el sobreajuste. La red se compila
utilizando el optimizador Adam y la función de pérdida mean_squared_error,
adecuada para problemas de regresión. Esta configuración permite a la red
modelar relaciones complejas entre las variables y predecir valores continuos a
partir de los datos de entrada.
Además,
se evalua cuatro modelos de aprendizaje automático: Regresión Lineal (LR),
Árbol de Decisión (DT), Random Forest (RF) y Redes Neuronales (NN), con el
objetivo de comparar su precisión, eficiencia y adaptabilidad a diversas
condiciones ambientales. En este manuscrito no solo se examina el rendimiento
de los modelos en términos de precisión y eficiencia, sino que también aborda
aspectos clave como la integración de datos de sensores IoT, la calidad de los
datos, la selección de características y el diseño del modelo.
MATERIALES
Y MÉTODOS
Diseño
Experimental
En
este manuscrito se desarrolla un algoritmo basado en redes neuronales para la
predicción de parámetros ambientales utilizando datos recopilados por sensores.
Se emplearon técnicas de modelado predictivo para estimar variables ambientales
clave como Temperatura, Humedad, concentraciones de gases como, Monóxido de Carbono,
Ozono y Propano.
Materiales
Dataset:
Se
utilizó el dataset de los registros de mediciones ambientales obtenidos por los
sensores de Ozono, Propano, Monóxido de Carbono, Temperatura y Humedad. Los datos se recopilaron a lo largo de 6 días con un
intervalo de muestreo de 5 segundos y se organizaron en un formato adecuado
para el análisis y entrenamiento de modelos, consiguiendo con esto 212126 datos
normalizados para el estudio.
Sensores: Se
utilizaron los siguientes sensores para la medición de variables ambientales:
·
MQ-131
(Ozono):
Este sensor fue utilizado para medir la concentración de ozono en el ambiente.
El MQ-131 tiene la capacidad de detectar niveles bajos y altos de ozono,
proporcionando datos cruciales para la evaluación de la calidad del aire.
·
MQ-7
(Monóxido de Carbono): El sensor MQ-7 se empleó para la detección de
monóxido de carbono (CO). Este sensor es especialmente sensible a bajas
concentraciones de CO, lo que es vital para monitorear la contaminación por
monóxido de carbono y evaluar riesgos potenciales para la salud.
·
MQ-2
(Propano):
Este sensor fue utilizado para la medición de gases como el propano, metano y
otros gases combustibles. El MQ-2 es capaz de detectar la presencia de estos
gases en el aire, lo que es importante para la prevención de fugas y la
seguridad en entornos industriales y residenciales.
·
Sensor
de Temperatura:
Este sensor se utilizó para registrar la temperatura ambiental. La medición
precisa de la temperatura es fundamental para entender las condiciones
climáticas y su impacto en las variables ambientales que se están estudiando.
·
Sensor
de Humedad:
El sensor de humedad proporcionó datos sobre la cantidad de vapor de agua en el
aire. Esta medición es esencial para analizar cómo la humedad puede influir en
otros parámetros ambientales, como la calidad del aire y la concentración de
gases.
Hardware
computacional: La tabla 1, detalla las especificaciones del hardware
del sistema utilizado, que incluye el procesador, la memoria, y la tarjeta de
video. Estos componentes son fundamentales para el rendimiento general del
sistema, especialmente en tareas que requieren un procesamiento intensivo como
el aprendizaje automático y el análisis de datos.
|
Componente
|
Especificaciones
|
|
Procesador
|
Intel(R)
Core(TM) i7-7500U CPU @ 2.70GHz 2.90 GHz
|
|
Memoria
|
8,00
GB (7,89 GB utilizable)
|
|
Tarjeta de Video
|
Detalles
a continuación
|
|
Número de Núcleos
de Procesamiento
|
8704
núcleos CUDA
|
|
Núcleos Tensor
|
Sí,
con soporte para operaciones de matrices optimizadas para aprendizaje
profundo
|
|
Memoria de Video
|
10
GB GDDR6X
|
|
Ancho de Banda de
Memoria
|
760
GB/s
|
|
Compatibilidad
con Tecnologías de Aceleración
|
Soporte
completo para CUDA, cuDNN, TensorFlow y PyTorch
|
Tabla 1. Características de hardware del sistema.
Entorno
de desarrollo: Se ha empleado Python 3 como lenguaje de programación
principal, complementándolo con Jupyter Notebook como entorno de desarrollo
para facilitar un enfoque interactivo y eficiente en el análisis de datos y el
modelado. En la tabla 2, se detallan las bibliotecas de Python utilizadas, cada
una desempeñando un papel crucial en el flujo de trabajo. Estas bibliotecas
incluyen pandas y numpy para la manipulación y análisis de datos, matplotlib y
seaborn para la visualización de datos, joblib para la serialización de
objetos, y sklearn para el aprendizaje automático. También, se utilizó,
tensorflow para la construcción y entrenamiento de modelos de redes neuronales
profundas.
|
Biblioteca
|
Descripción
|
|
pandas
|
Biblioteca
para la manipulación y análisis de datos. Permite la carga de datos,
manipulación de DataFrames, etc.
|
|
numpy
|
Biblioteca
para operaciones matemáticas y manipulación de arreglos. Proporciona soporte
para arrays multidimensionales y funciones matemáticas.
|
|
matplotlib
|
Biblioteca
para la creación de gráficos y visualizaciones. Permite generar gráficos de
dispersión, líneas, barras, entre otros.
|
|
seaborn
|
Biblioteca
para la visualización de datos basada en Matplotlib. Facilita la creación de
gráficos estadísticos con estilo y funcionalidad adicionales.
|
|
Joblib
|
Biblioteca
para la serialización de objetos en Python. Utilizada aquí para guardar
modelos y escaladores en archivos.
|
|
sklearn
|
Biblioteca
para aprendizaje automático. Incluye herramientas para preprocesamiento de
datos, selección de modelos, evaluación y más.
|
|
tensorflow
|
Biblioteca
de código abierto para la construcción y entrenamiento de modelos de
aprendizaje profundo. Se utiliza aquí para crear y entrenar una red neuronal.
|
Tabla 2. Bibliotecas de Python
usadas.
Modelos
predictivos
Se
utilizaron cuatro modelos de aprendizaje automático para predecir las variables
seleccionadas en este estudio. A continuación, se describen las características
principales de cada uno.
El
primer modelo empleado fue (LR), un enfoque clásico que asume una relación
lineal entre las características independientes y la variable objetivo.
El
segundo modelo fue el (DT), una técnica que divide iterativamente los datos en
subconjuntos según reglas de decisión, basadas en qué características optimizan
la predicción de la variable objetivo. Este modelo es capaz de capturar
relaciones no lineales complejas, lo que lo convierte en una opción más
flexible que la regresión lineal.
El
tercer modelo fue el (RF), un método de ensamble que combina múltiples árboles
de decisión. Cada uno de estos árboles se entrena en diferentes subconjuntos de
datos y características, lo que reduce la varianza y mejora la precisión del
modelo.
Finalmente,
se empleó una Red Neuronal (Perceptrón Multicapa, NN), compuesta por tres capas
ocultas con 128, 64 y 32 neuronas, respectivamente. Cada capa utilizó la
función de activación ReLU, que es eficaz para capturar relaciones no lineales
complejas. Para evitar el sobreajuste, se implementaron técnicas de
regularización L2 y Dropout en cada capa oculta, donde el 30% de las neuronas
se desactivaron aleatoriamente durante el entrenamiento. El modelo fue entrenado,
utilizando el optimizador Adam con una tasa de aprendizaje de 0.001, durante
200 épocas.
Para
todos estos modelos, se entrenó utilizando las tres características más
importantes, seleccionadas previamente mediante el análisis de importancia de
características del modelo de Random Forest. La evaluación del modelo se
realizó calculando el Error Cuadrático Medio (MSE) y el Coeficiente de
Determinación (R²) en el conjunto de prueba, permitiendo comparar los
resultados de la red neuronal con los otros modelos.
Procedimiento
En la
figura 1, se identifica las etapas fundamentales en el desarrollo de un modelo
de predicción ambiental utilizando ANN, específicamente de tipo Perceptrón
Multicapa (MLP). Primero, en la recolección de datos, se recopilan datos
generados por sensores IoT que miden parámetros ambientales como ozono,
monóxido de carbono, propano, temperatura y humedad. Estos sensores
proporcionan datos en tiempo real y a lo largo del tiempo, lo que permite
capturar patrones y tendencias en las variables ambientales, siendo esenciales
para el éxito del modelo de predicción, ya que aseguran que los datos sean
representativos y abarquen diversas condiciones ambientales.
Luego,
en el preprocesamiento de datos, los datos obtenidos se limpian y transforman
para asegurar su calidad y adecuación al modelo. Este paso incluye la
eliminación de valores nulos o atípicos, la normalización o estandarización de
los datos, y la transformación de variables categóricas en numéricas si es
necesario, eliminando ruidos e inconsistencias que puedan afectar el
rendimiento del modelo y asegurando que los datos sean aptos para el análisis y
el modelado. Posteriormente, en la selección de características, se identifican
y seleccionan las variables más relevantes que influirán en la precisión del
modelo. La selección de características es un proceso crítico para reducir la
dimensionalidad del conjunto de datos y eliminar información redundante o
irrelevante.
Técnicas
como la matriz de correlación, la importancia de características usando modelos
de árbol (e.g., RF), y métodos de selección automática se utilizan para este
propósito, mejorando la eficiencia del modelo y concentrándose en las variables
que tienen mayor impacto en la predicción.
En el
desarrollo del modelo de una red neuronal, se diseña y configura una ANN de
tipo Perceptrón Multicapa (MLP). La estructura de la red incluye una capa de
entrada con el número de características relevantes seleccionadas, tres capas
ocultas con 128, 64 y 32 nodos respectivamente, y una capa de salida con un
solo nodo para la predicción continua. Las capas ocultas emplean la función de
activación ReLU (Rectified Linear Unit), regularización L2 para evitar el
sobreajuste, y Dropout para mejorar la generalización del modelo. La red se
compila utilizando el optimizador Adam y la función de pérdida
mean_squared_error, adecuada para problemas de regresión. Esta configuración
permite que la red neuronal capture complejas relaciones no lineales entre las
variables de entrada y la variable objetivo.
En la
etapa de entrenamiento y evaluación del modelo, el modelo se entrena utilizando
los datos disponibles, ajustando sus pesos para minimizar la función de pérdida
y aprendiendo a partir de los datos de entrenamiento. Después del
entrenamiento, se evalúa el rendimiento del modelo en un conjunto de datos de
prueba que no se utilizó durante el entrenamiento, utilizando métricas de
rendimiento como el error cuadrático medio (MSE) y el coeficiente de
determinación R² para evaluar la precisión del modelo. Esta fase permite
ajustar los parámetros del modelo y validar su capacidad para generalizar a
datos no vistos previamente.
Finalmente,
en la validación y comparación con otros modelos, los resultados obtenidos se
validan y se comparan con otros modelos de aprendizaje automático, como LR, DT
y RF. Este análisis comparativo permite evaluar la precisión, eficiencia y
adaptabilidad de cada modelo bajo diversas condiciones ambientales, ayudando a
identificar el modelo más adecuado para la tarea de predicción específica,
considerando tanto el rendimiento como la capacidad del modelo para manejar
diferentes escenarios. La validación y comparación aseguran que los resultados
obtenidos sean confiables y que el modelo seleccionado sea el más efectivo para
las aplicaciones previstas.
Figura
1. Metodología
de Investigación
Diseño
y Entrenamiento de la Red Neuronal Artificial (MLP)
La figura
2 muestra el diseño de una red neuronal tipo Perceptrón Multicapa (MLP) para
predecir parámetros ambientales como el ozono, monóxido de carbono y
temperatura.
La
red inicia con una capa de entrada que recibe estas características relevantes.
Luego, cuenta con tres capas ocultas que utilizan la activación ReLU: la
primera con 128 neuronas, la segunda con 64 y la tercera con 32 neuronas.
Además, se aplican técnicas para mejorar el rendimiento y evitar el
sobreajuste, como la regularización L2 y una tasa de Dropout del 30% en cada
capa.
En la
capa de salida, un único nodo genera las predicciones continuas de los niveles
de ozono. El modelo se entrena utilizando el optimizador Adam y la función de
pérdida mean_squared_error (MSE), durante 200 épocas. Para evaluar su
desempeño, se visualizan las curvas de pérdida y se miden las métricas MSE y
coeficiente de determinación (R²), que permiten verificar la precisión del
modelo.
Figura
2. Diagrama
de flujo del diseño y entrenamiento de la red MLP
RESULTADOS
Y DISCUSIÓN
Correlación
de las variables
La
matriz de correlación presentada en la figura 3 muestra las relaciones entre
distintas variables ambientales, destacando interacciones significativas y
potencialmente útiles para el análisis y la modelización. La fuerte correlación
negativa entre temperatura y humedad (-0.969) indica que a medida que la temperatura
aumenta, la humedad disminuye notablemente, lo que podría ser crucial para
entender fenómenos climáticos y ambientales. Las correlaciones moderadas, tanto
positivas como negativas, entre otras variables (ozono-humedad, ozono-propano,
propano-CO) sugieren interacciones menos intensas pero relevantes,
proporcionando información adicional sobre cómo estas variables pueden
influirse mutuamente. La casi inexistente correlación entre CO y temperatura
(-0.018) indica una independencia entre estas dos variables en el contexto
estudiado.
Figura
3. Matriz
de correlación entre variables
Análisis
Independiente de las Variables
En
esta sección se realiza el análisis de la cada una de las variables para
determinar la importancia de las características de la variable estudiada, el
resultado del entrenamiento de cada una y un comparativo de los errores MSE y R2
con los cuatro modelos aplicados (RL, DT, RF, NN).
Importancia
de características de la Variable Humedad
Usando
el modelo de RF se realizó un análisis de importancia de características, identificado
a la temperatura, el propano y el ozono como las tres variables más influyentes
para la predicción de la variable objetivo. La temperatura es la característica
más relevante, lo que indica una relación alta con la variable objetivo, se
puede atribuir a su impacto en las reacciones químicas y la volatilidad de los
gases. La siguiente en importancia según el modelo, es el propano,
probablemente por su vinculación con actividades industriales que generan este
gas. El ozono es la tercera variable más relevante, aporta información
adicional sobre la calidad del aire y las interacciones químicas en el entorno.
Estas tres características seleccionadas se utilizarán para entrenar y evaluar
nuestros modelos predictivos, asegurando predicciones precisas y confiables. La
figura 4, muestra las características y su importancia para predecir la
humedad.
Figura 4. Importancia de características para predecir la humedad
Entrenamiento
de la red neuronal para la variable Humedad
Durante
el entrenamiento de la NN para predecir la humedad con datos de sensores, se
observó una disminución significativa de la pérdida (loss) y la pérdida de
validación (val_loss) a lo largo de las épocas. Inicialmente, la pérdida
comenzó en 1596.39 y la pérdida de validación en 1542.45. A medida que
avanzaron las épocas, la pérdida disminuyó a valores más bajos, alcanzando
13.44 en la época 93, mientras que la pérdida de validación fluctuó, llegando a
un valor tan bajo como 1.39 en la época 80. Estos resultados indican que el
modelo está aprendiendo de manera efectiva, la figura 5 muestra un el progreso
de aprendizaje de las pérdidas por época tanto en el entrenamiento como en la
validación.
Figura 5. Progreso de Pérdidas de la NN para humedad
Las
figuras 6, 7, 8 y 9 muestran un gráfico de dispersión comparando las
predicciones de los cuatro modelos (LR, DT, NN y RF) entrenados para la
predicción de la humedad, con los valores reales
Figura 6. Predicciones
vs Valores reales del modelo de RL para humedad
Figura 7. Predicciones
vs Valores reales del modelo de DT para humedad
Figura 8. Predicciones
vs Valores reales del modelo de NN para humedad
Figura 9. Predicciones
vs Valores reales del modelo de RF para humedad
La
tabla 3 resalta las características y el desempeño de cada modelo en términos
de precisión y la presencia de desviaciones en sus predicciones.
|
Modelo/Figura
|
Precisión
General
|
Desviaciones
|
|
Regresión Lineal
Figura 5
|
Buen
desempeño, alineándose bien con valores reales.
|
Algunas
desviaciones, indicando errores de predicción más grandes en ciertos casos.
|
|
Árbol de Decisión
Figura 6
|
Alto
nivel de precisión.
|
Muy
pocas desviaciones significativas.
|
|
Red Neuronal
Figura 7
|
Buena
precisión en general.
|
Más variabilidad
y algunas predicciones menos precisas.
|
|
Random Forest
Figura 8
|
Buen
desempeño, preciso y confiable.
|
Algunas
desviaciones, especialmente en los extremos.
|
Tabla 3. Comparación de las predicciones vs los valores reales de los modelos
para la variable humedad
Aunque
todos los modelos presentan un buen nivel de precisión, el DT y RF destacan por
su exactitud y menor cantidad de desviaciones significativas. El modelo de NN,
aunque preciso, muestra más variabilidad, y la LR, aunque efectiva, tiene
algunas desviaciones más notables. Esto sugiere que, para la predicción de la
humedad, los modelos de DT y RF podrían ser preferidos debido a su mayor
precisión y consistencia.
Errores
de los modelos entrenados de la Variable Humedad
|
Modelo
|
Error
Cuadrático Medio (MSE)
|
Coeficiente
de Determinación (R²)
|
|
Regresión
Lineal
|
1.1140
|
0.9476
|
|
Árbol
de Decisión
|
0.2173
|
0.9898
|
|
Random
Forest
|
0.1372
|
0.9936
|
|
Red
Neuronal
|
0.8274
|
0.9611
|
Tabla 4. Resumen de los
resultados de la evaluación de los modelos para humedad
La
tabla 4 resume los resultados de la evaluación de los modelos en términos de
precisión (MSE) y ajuste (R²), para predecir la humedad. El modelo de DT obtuvo
el menor (MSE) con 0.2173, indicando la menor variabilidad entre las
predicciones y los valores reales. Además, logró un alto (R²) de 0.9898, lo que
sugiere que el 98.98% de la variabilidad en los datos puede ser explicada por
el modelo. Le sigue el RF con un MSE de 0.1372 y un R² de 0.9936, demostrando
una mejora adicional en precisión y ajuste. La NN, con un MSE de 0.8274 y un R²
de 0.9611, también mostró un buen desempeño general. Aunque su MSE es más alto
que el de los modelos basados en árboles, su capacidad para modelar relaciones
complejas sugiere que sigue siendo una opción viable para la predicción precisa
de parámetros ambientales bajo condiciones variables y datos heterogéneos.
Estos resultados resaltan la efectividad de los métodos de aprendizaje
supervisado más avanzados en la tarea de predicción ambiental.
Importancia
de características de la Variable Ozono
La
matriz de importancia de características para predecir el ozono revela que el
propano es la variable más influyente con una importancia del 40.3%, seguido
por el CO con un 30.7%, indicando que estos gases tienen un fuerte impacto en
la concentración de ozono, posiblemente debido a su participación en reacciones
químicas atmosféricas. La humedad, con una importancia del 18.9%, también juega
un papel significativo, afectando la formación y dispersión del ozono. La
temperatura, aunque menos influyente con un 9.9%, contribuye a la predicción
del ozono a través de su efecto en la velocidad de las reacciones químicas. En
conjunto, estas variables clave son fundamentales para mejorar la precisión de
los modelos predictivos de ozono., la figura 10,
muestra las características y su importancia para predecir la humedad.
Figura 10. Importancia de características para predecir el ozono
Entrenamiento
de la red neuronal para la variable ozono
La
salida del entrenamiento del modelo muestra una disminución general de la
pérdida tanto en el conjunto de entrenamiento como en el de validación a lo
largo de las épocas, indicando que el modelo está aprendiendo a ajustar sus
parámetros y a generalizar mejor. Sin embargo, se observan fluctuaciones en la
pérdida de validación, lo que sugiere que, aunque el modelo está mejorando, hay
ciertas variaciones en cómo se ajusta a los datos no vistos, la figura 11
muestra el desarrollo por etapas de esta NN.
. 
Figura 11. Progreso de Pérdidas de la NN para ozono
Las
figuras 12, 13, 14 y 15 muestran un gráfico de dispersión comparando las
predicciones de los cuatro modelos (LR, DT, NN y RF) entrenados para la
predicción del ozono, con los valores reales
Figura 12. Predicciones
vs Valores reales del modelo de RL para ozono
Figura 13. Predicciones
vs Valores reales del modelo de DT para ozono
Figura 14. Predicciones
vs Valores reales del modelo de NN para ozono
Figura 15. Predicciones
vs Valores reales del modelo de RF para ozono
La
tabla 5 resalta las características y el desempeño de cada modelo en términos
de precisión y la presencia de desviaciones en sus predicciones, proporcionando
una visión clara de sus fortalezas y debilidades.
|
Modelo/Figura
|
Precisión
General
|
Desviaciones
|
|
Regresión Lineal
Figura 12
|
Baja.
La mayoría de los puntos se desvían de la línea ideal.
|
Significativas,
especialmente en valores bajos y altos.
|
|
Árbol de Decisión
Figura 13
|
Alta.
La mayoría de los puntos están cerca de la línea roja.
|
Menores,
aunque existen algunos puntos dispersos.
|
|
Red Neuronal
Figura 14
|
Alta.
La mayoría de los puntos se alinean bien con la línea roja.
|
Menores,
con algunos puntos dispersos, pero menos frecuentes.
|
|
Random Forest
Figura 15
|
Alta.
La mayoría de los puntos están cerca de la línea roja.
|
Algunas
desviaciones, especialmente en valores altos.
|
Tabla 5. Comparación de las predicciones vs los valores reales de los modelos
para la variable ozono
Al
comparar los modelos de LR, DT, NN y RF para predecir los niveles de ozono, se
observa que los modelos de DT, NN y RF presentan una alta precisión general,
con la mayoría de los puntos de predicción alineándose cerca de la línea ideal
de referencia. En particular, el modelo de NN y RF muestran una excelente
precisión, con menores desviaciones, aunque el RF presenta algunas
inconsistencias en los valores más altos. En contraste, el modelo de LR tiene
una baja precisión general, con desviaciones significativas, especialmente en
los extremos de los valores predichos. Estos hallazgos sugieren que los modelos
de DT, NN y RF son más adecuados para predecir los niveles de ozono, con el
modelo de NN destacándose ligeramente por su capacidad para minimizar las
desviaciones.
Errores
de los modelos entrenados de la Variable Ozono
|
Modelo
|
Error
Cuadrático Medio (MSE)
|
Coeficiente
de Determinación (R²)
|
|
Regresión Lineal
|
633.7956
|
0.3183
|
|
Árbol de Decisión
|
76.0096
|
0.9182
|
|
Random Forest
|
38.8838
|
0.9582
|
|
Red Neuronal
|
13.4554
|
0.9855
|
Tabla 6. Resumen de los
resultados de la evaluación de los modelos para ozono
La tabla
6 muestra que, entre los cuatro modelos evaluados (LR, DT, NN, RF) para la
predicción de los niveles de ozono, el modelo de NN es el más preciso, con el
menor Error Cuadrático Medio (MSE) de 13.4554 y el mayor Coeficiente de
Determinación (R²) de 0.9855, indicando que explica el 98.55% de la
variabilidad de los datos. El modelo de RF sigue en precisión, con un MSE de
38.8838 y un R² de 0.9582. El DT también muestra buenos resultados con un MSE
de 76.0096 y un R² de 0.9182. En contraste, el modelo de LR tiene el peor
rendimiento, con un MSE significativamente más alto de 633.7956 y un R² de
0.3183, indicando una baja capacidad predictiva.
Importancia
de características de la Variable Propano
Para
predecir el nivel de Propano, el modelo considera principalmente el CO y el
Ozono, con importancias de 0.570321 y 0.364791 respectivamente, indicando que
estas características tienen un impacto significativo en las predicciones. La
Humedad y la Temperatura, con importancias de 0.032478 y 0.032411, tienen una
influencia mínima en comparación con el CO y el Ozono. Esto sugiere que el CO y
el Ozono son los principales determinantes para la predicción del Propano,
mientras que la Humedad y la Temperatura juegan un papel menor en el modelo, la
figura 16 muestra un gráfico de observa la importancia de cada característica
seleccionada para predecir el propano.
Figura 16. Importancia de características para predecir el propano
Entrenamiento
de la red neuronal para la variable propano
El
entrenamiento de la NN para predecir el propano muestra una tendencia positiva
en la reducción de la pérdida de entrenamiento (loss) y la pérdida de
validación (val_loss) a lo largo de las épocas. Desde la primera época hasta la
105, ambas métricas disminuyen consistentemente, indicando que el modelo está
aprendiendo y mejorando su capacidad de predicción. En las primeras épocas, la
pérdida es relativamente alta, pero a medida que avanza el entrenamiento, la
pérdida de validación se estabiliza en valores bajos, sugiriendo que el modelo
está generalizando bien y evitando el sobreajuste. La pérdida de validación
alcanza valores muy bajos, como 0.0121 en la época 104, lo que sugiere que el
modelo ha logrado un buen ajuste a los datos de entrenamiento y validación. La
figura 17 muestra el desarrollo por etapas de esta NN.
Figura 17. Progreso de Pérdidas de la NN para propano
Las
figuras 18, 19, 20 y 21 muestran un gráfico de dispersión comparando las
predicciones de los cuatro modelos (LR, DT, NN y RF) entrenados para la
predicción del propano, con los valores reales
Figura 18. Predicciones vs Valores reales del modelo de RL para propano
Figura 19. Predicciones
vs Valores reales del modelo de DT para propano
Figura 20. Predicciones
vs Valores reales del modelo de NN para propano
Figura 21. Predicciones
vs Valores reales del modelo de RF para propano
|
Modelo/Figura
|
Precisión
General
|
Desviaciones
|
|
Regresión Lineal
Figura 18
|
Moderada
|
Alta
dispersión alrededor de la línea diagonal
|
|
Árbol de Decisión
Figura 19
|
Alta
|
Baja
dispersión, puntos mayormente alineados con la línea diagonal
|
|
Red Neuronal
Figura 20
|
Moderada-Alta
|
Dispersión
intermedia, mejor que la LR, pero peor que DT
|
|
Random Forest
Figura 21
|
Alta
|
Ligera
dispersión, modelo realiza predicciones precisas en la mayoría de los casos
|
Tabla 7. Comparación de las predicciones vs los valores reales de los modelos
para la variable propano
La
tabla 7 muestra que el modelo de DT y RF presentan la mayor precisión general y
las menores desviaciones en comparación con la LR y la NN. La LR tiene una
precisión moderada y una alta dispersión, indicando un rendimiento inferior. La
NN mejora respecto a la Regresión Lineal pero aún muestra una dispersión
intermedia. En contraste, el DT y RF destacan por su alta precisión y baja
dispersión, siendo RF ligeramente superior en términos de precisión general. En
conclusión, para predecir los valores de propano, los modelos de DT y RF son
los más recomendables debido a su precisión y consistencia en las predicciones.
Errores
de los modelos entrenados de la Variable Propano
|
Modelo
|
Error
Cuadrático Medio (MSE)
|
Coeficiente
de Determinación R²
|
|
Regresión Lineal
|
0.0375
|
0.3765
|
|
Árbol de Decisión
|
0.0013
|
0.9776
|
|
Random Forest
|
0.0004
|
0.9928
|
|
Red Neuronal
|
0.0040
|
0.9331
|
Tabla 8. Resumen de los
resultados de la evaluación de los modelos para propano
La
tabla 8 muestra una comparación entre diferentes modelos predictivos para el
análisis de propano, evaluados mediante el Error Cuadrático Medio (MSE) y el
Coeficiente de Determinación R². Los resultados indican que el modelo de RF
tiene el mejor desempeño, con el menor MSE (0.0004) y el mayor R² (0.9928), lo
que sugiere una alta precisión en las predicciones y una excelente capacidad
para explicar la variabilidad de los datos. El DT también presenta un buen
rendimiento, con un MSE bajo (0.0013) y un R² elevado (0.9776). Por otro lado,
la LR y la NN muestran desempeños inferiores, con MSE más altos (0.0375 y
0.0040, respectivamente) y R² menores (0.3765 y 0.9331). Los modelos complejos
como RF y DT, superan a la LR y a la NN en términos de precisión y ajuste, lo
que sugiere que pueden ser más adecuados para la predicción de propano en este
contexto.
Importancia
de características de la Variable CO
La
figura 22, muestra un gráfico de observa la importancia de características del
modelo de RF de cada característica seleccionada para predecir el CO. revela
que el propano. La variable más influyente, contribuyendo con un 63.22% a las
predicciones, seguido por el ozono con un 30.83%. La temperatura y la humedad
tienen una influencia significativamente menor, con importancias del 3.77% y
2.18%, respectivamente. Esto indica que las variaciones en los niveles de
propano y ozono son los factores más determinantes para la precisión del
modelo, mientras que la temperatura y la humedad apenas afectan las
predicciones.
Figura 22. Importancia de características para predecir el CO
Entrenamiento
de la red neuronal para la variable CO
El entrenamiento de la NN muestra una progresiva reducción en la
función de pérdida, indicando que el modelo está mejorando su capacidad para
predecir en cada época. Desde el inicio, donde la pérdida era
significativamente alta, el modelo muestra una notable disminución en la pérdida
de entrenamiento y de validación, alcanzando un mínimo en la época 147, donde
la pérdida de validación se estabiliza en torno a 2.6752. Esto sugiere que el
modelo ha aprendido a generalizar mejor a los datos de validación con el tiempo.
La figura 23 muestra el desarrollo por etapas de esta NN.
Figura 23. Progreso de Pérdidas de la NN para CO
Las
figuras 24, 25, 26 y 27 muestran un gráfico de dispersión comparando las
predicciones de los cuatro modelos (LR, DT, NN, RF) entrenados para la
predicción del CO, con los valores reales
Figura 24. Predicciones vs Valores reales del modelo de RL para CO
Figura 25. Predicciones
vs Valores reales del modelo de DT para CO
Figura 26. Predicciones
vs Valores reales del modelo de NN para CO
Figura 27. Predicciones
vs Valores reales del modelo de RF para CO
|
Modelo/Figura
|
Precisión
General
|
Desviaciones
|
|
Árbol de Decisión
Figura 24
|
El modelo realiza
predicciones precisas para la mayoría de los casos.
|
Error
moderado, con ligera dispersión de los puntos alrededor de la línea diagonal.
|
|
Aprendizaje por
Refuerzo (RL)
Figura 25
|
El modelo realiza
predicciones precisas para la mayoría de los casos.
|
Error
moderado, con ligera dispersión de los puntos alrededor de la línea diagonal.
|
|
Red Neuronal
Figura 26
|
El modelo realiza
predicciones precisas para la mayoría de los casos.
|
Error
moderado, con ligera dispersión de los puntos alrededor de la línea diagonal.
|
|
Random Forest
Figura 27
|
El modelo realiza
predicciones precisas para la mayoría de los casos.
|
Error
moderado, con ligera dispersión de los puntos alrededor de la línea diagonal.
|
Tabla 9. Comparación de
las predicciones vs los valores reales de los modelos para la variable CO
La tabla 9 muestra que todos los modelos evaluados (DT, LR, NN y
RF) demuestran una capacidad similar para predecir los valores de CO, con una
precisión general que sugiere que todos son útiles para la tarea. Sin embargo,
cada modelo presenta un error moderado, evidenciado por una ligera dispersión
de los puntos alrededor de la línea diagonal en las gráficas de dispersión.
Esto indica que, aunque las predicciones son generalmente precisas, ningún
modelo es perfecto y todos presentan un margen de error en sus estimaciones.
Errores
de los modelos entrenados de la Variable CO
|
Modelo
|
Error
Cuadrático Medio (MSE)
|
Coeficiente
de Determinación R²
|
|
Regresión Lineal
|
14.2036
|
0.2639
|
|
Árbol de Decisión
|
0.8722
|
0.9548
|
|
Random Forest
|
0.8020
|
0.9584
|
|
Red Neuronal
|
2.1607
|
0.8880
|
Tabla 10. Resumen de los resultados de la evaluación de los
modelos para CO
Al
comparar los resultados de la tabla 10 donde se muestran el Error Cuadrático
Medio (MSE) y el Coeficiente de Determinación R² con los datos de precisión
general y desviaciones obtenidos para cada modelo, se puede observar que el RF es
el modelo que ofrece el mejor desempeño general, con el menor MSE (0.8020) y el
mayor R² (0.9584). Esto indica que es el modelo más preciso y con mayor
capacidad para explicar la variabilidad en los valores reales de CO. El DT,
aunque tiene un MSE (0.8722) ligeramente mayor que el RF, sigue siendo un
modelo sólido con un R² muy alto (0.9548), lo que sugiere una buena precisión
general y desviaciones relativamente bajas. La NN, a pesar de tener un R²
bastante bueno (0.8880), presenta un MSE considerablemente mayor (2.1607), lo
que indica que su precisión general es menor en comparación con los modelos
basados en árboles. Por último, la LR muestra el peor desempeño en ambas
métricas, con el mayor MSE (14.2036) y el R² más bajo (0.2639), lo que revela
una precisión muy baja y una capacidad limitada para explicar la variabilidad
de los datos.
Importancia
de características de la Variable Temperatura
La Figura 28 presenta una gráfica de Importancia de
Características para la predicción de la temperatura. Los datos muestran que la
Humedad es, con diferencia, la variable más influyente con una importancia de
0.969379, lo que indica que es el principal factor que afecta la predicción de
la temperatura en el modelo. En contraste, las otras características tienen una
influencia mucho menor: Propano con una importancia de 0.016481, Ozono con
0.008229 y CO con 0.005912. Estas bajas importancias sugieren que, aunque están
incluidas en el modelo, su impacto en la predicción de la temperatura es
prácticamente insignificante comparado con la humedad. Los resultados de la
Figura 27 destacan la crucial relevancia de la humedad en la precisión del
modelo de predicción de la temperatura.
Figura 28. Importancia
de características para predecir la Temperatura
Entrenamiento de la red neuronal para la variable Temperatura
La figura 29 muestra los resultados de entrenamiento de un modelo
durante 200 épocas, registrando la pérdida del modelo y la pérdida de
validación. En las primeras épocas, la pérdida del modelo disminuye
drásticamente, luego se estabiliza hasta llegar a valores mucho más bajos, como
4.3426 en la época 116. La pérdida de validación también muestra una tendencia
a la baja, comenzando en 536.1054 y alcanzando valores mínimos como 0.3670 en
la época 115. Sin embargo, hay fluctuaciones ocasionales en ambas métricas, lo
cual es normal durante el proceso de entrenamiento. Estos resultados indican
que el modelo está aprendiendo y mejorando su rendimiento en la tarea asignada,
aunque algunas épocas pueden presentar sobreajuste o fluctuaciones debidas a la
naturaleza de los datos.
. 
Figura 29. Progreso de Pérdidas de la NN para Temperatura
Las figuras 31, 31, 32 y 33 muestran un gráfico de dispersión
comparando las predicciones de los cuatro modelos (LR, DT, NN, RF) entrenados para la predicción del CO, con los valores
reales
Figura 30. Predicciones vs Valores reales del modelo de RL para Temperatura
Figura 31. Predicciones vs Valores reales del modelo de DT para Temperatura
Figura 32. Predicciones vs Valores reales del modelo de red neuronal para Temperatura
Figura 33. Predicciones vs Valores reales del modelo de RF para Temperatura
|
Modelo/Figura
|
Precisión
General
|
Desviaciones
|
|
Regresión Lineal
(RL)
Figura 30
|
El modelo realiza
predicciones precisas para la mayoría de los casos.
|
Error
moderado, con ligera dispersión de los puntos alrededor de la línea diagonal.
|
|
Árbol de Decisión
Figura 31
|
El modelo realiza
predicciones precisas para la mayoría de los casos.
|
Error
moderado, con ligera dispersión de los puntos alrededor de la línea diagonal.
|
|
Red Neuronal
Figura 32
|
El modelo realiza
predicciones precisas para la mayoría de los casos.
|
Error
moderado, con ligera dispersión de los puntos alrededor de la línea diagonal.
|
|
Random Forest
Figura 33
|
El modelo realiza
predicciones precisas para la mayoría de los casos.
|
Error
moderado, con ligera dispersión de los puntos alrededor de la línea diagonal.
|
Tabla 11. Comparación de las predicciones vs los valores reales de los modelos
para la variable Temperatura
La tabla 11 compara los modelos para la predicción de la
temperatura, muestra que todos los modelos (LR, DT, RF Y NN) realizan
predicciones precisas para la mayoría de los casos. Sin embargo, presentan un
error moderado con una ligera dispersión de los puntos alrededor de la línea
diagonal en las gráficas de dispersión. Esto sugiere que, aunque los modelos
son generalmente fiables, aún pueden cometer errores. En términos de precisión
general y desviaciones, no se observa una diferencia significativa entre los
modelos, lo que indica que todos son igualmente competentes para esta tarea
específica.
Errores de los modelos entrenados de la Variable Temperatura
|
Modelo
|
Error
Cuadrático Medio (MSE)
|
Coeficiente
de Determinación R²
|
|
Regresión Lineal
|
0.3152
|
0.9489
|
|
Árbol de Decisión
|
0.0860
|
0.9861
|
|
Random Forest
|
0.0529
|
0.9914
|
|
Red Neuronal
|
0.1630
|
0.9736
|
Tabla 12. Resumen de los resultados de la evaluación de los modelos para Temperatura
La tabla 12 proporciona una visión detallada de la precisión de
diversos modelos de predicción, reflejando dos métricas clave: el Error
Cuadrático Medio (MSE) y el Coeficiente de Determinación R². La LR presenta un
MSE de 0.3152 y un R² de 0.9489, lo que indica un ajuste aceptable pero menos
preciso en comparación con los otros modelos. El DT muestra una mejora
significativa con un MSE de 0.0860 y un R² de 0.9861, sugiriendo una mayor
precisión en las predicciones. El RF destaca con el MSE más bajo de 0.0529 y el
R² más alto de 0.9914, lo que demuestra un rendimiento superior en términos de
exactitud y ajuste al conjunto de datos. La NN, aunque robusta, tiene un MSE de
0.1630 y un R². de 0.9736, que, aunque buenos, son inferiores a los del RF y el
DT.
En comparación con los resultados de la tabla 10, donde todos los
modelos mostraron un error moderado y una dispersión ligera alrededor de la
línea diagonal, la tabla actual revela que el RF Y DT ofrecen un ajuste mucho
más preciso y explicativo. La NN y la LR, aunque útiles, muestran una menor
precisión y capacidad de ajuste en comparación con estos modelos de árbol,
subrayando la superioridad del RF en esta evaluación.
CONCLUSIONES
El análisis
comparativo de los modelos de predicción de parámetros ambientales ha
proporcionado valiosas observaciones sobre su desempeño y aplicabilidad. A
través de la evaluación de modelos como LR, DT, NN Y RF, se han
identificado las fortalezas y debilidades de cada enfoque para predecir
variables ambientales específicas. Los hallazgos de este estudio son esenciales
para guiar la selección de modelos en aplicaciones prácticas, optimizando la
precisión y eficiencia en la predicción de condiciones ambientales.
Precisión de
Modelos: Árbol de Decisión y Random Forest demostraron ser los más
precisos para la predicción de humedad, con errores cuadráticos medios (MSE) de
0.2173 y 0.1372 respectivamente, y altos coeficientes de determinación (R²) de
0.9898 y 0.9936. Estos modelos superan significativamente a la LR y la NN en
términos de precisión y consistencia para esta variable.
Para la predicción
de ozono, la Red Neuronal se destacó con un MSE de 13.4554 y un R² de
0.9855, mostrando una excelente capacidad para manejar relaciones complejas en
datos ambientales.
Random Forest también tuvo el
mejor desempeño general para la predicción de monóxido de carbono (CO), con el
menor MSE y el mayor R², indicando alta precisión y capacidad para explicar la
variabilidad en los datos.
Eficiencia y
Adaptabilidad: La
Red Neuronal, aunque mostró una mayor variabilidad en sus predicciones
de humedad, fue extremadamente precisa para la predicción de niveles de ozono.
Esto subraya su capacidad para manejar relaciones complejas en datos
ambientales, adaptándose bien a las variaciones en los datos.
Los modelos de Árbol
de Decisión y Random Forest mostraron consistencia y precisión en
múltiples variables, indicando su eficiencia y adaptabilidad en diferentes
contextos de datos.
Aplicabilidad
Práctica: Los
modelos basados en árboles, como el Árbol de Decisión y Random Forest,
son preferibles para aplicaciones donde la precisión y la consistencia son
críticas, como en la gestión de recursos hídricos y la agricultura. Su alta
precisión y consistencia los hacen ideales para predicciones donde los errores
pueden tener un impacto significativo.
Las Redes
Neuronales son más adecuadas para la predicción de parámetros con una mayor
variabilidad, como la calidad del aire, debido a su capacidad para manejar
relaciones no lineales y complejas en los datos.
Impacto en la
Gestión Ambiental: La
implementación de modelos de Árbol de Decisión y Random Forest
puede mejorar significativamente la capacidad de monitoreo y respuesta a
condiciones ambientales cambiantes, contribuyendo a la toma de decisiones
informada en áreas como la salud pública y la gestión urbana.
La Red Neuronal,
con su alta precisión en la predicción de ozono, puede ser particularmente útil
en la gestión de la calidad del aire, permitiendo respuestas rápidas y precisas
a los cambios en los niveles de contaminantes.
El
estudio sugiere que los modelos de DT Y RF son preferibles para la mayoría de
las variables ambientales evaluadas debido a su alta precisión y consistencia.
La NN también es efectiva, especialmente en la predicción de ozono, aunque
puede presentar mayor variabilidad en otras variables. La LR generalmente
mostró el peor desempeño y puede no ser adecuada para predicciones precisas en
contextos ambientales complejos. Estos hallazgos resaltan la importancia de
seleccionar el modelo adecuado según el parámetro ambiental específico y las
condiciones de los datos, optimizando así la precisión y efectividad de las
predicciones.
CONTRIBUCIÓN DE
LOS AUTORES
Autor Principal:
Creación de los modelos predictivos.
Análisis de datos.
Procesamiento de datos.
Redacción del manuscrito.
Autor 2:
Revisión crítica del contenido.
Recolección de datos.
Apoyo en la interpretación de los
resultados y la formulación de las conclusiones.
REFERENCIAS
BIBLIOGRÁFICAS
Alotaibi, E., Omar, M., Arab, M. G., &
Tahmaz, A. (2022). Prediction of Fine-Grained Soils Shrinkage Limits
Using Artificial Neural Networks. 2022 Advances in Science and Engineering
Technology International Conferences, ASET 2022.
https://doi.org/10.1109/ASET53988.2022.9734806
Alwan, H. K., Al-Sultany, G. A., &
Hussein, S. M. (2023). Air Pollution Prediction Using Machine Learning and
Neural Network. 5th International Conference on Information Technology,
Applied Mathematics and Statistics, ICITAMS 2023, 231–234.
https://doi.org/10.1109/ICITAMS57610.2023.10525306
Baranitharan, B., Sivapragasam, C., &
Rajesh, K. (2021). Energy Demand Prediction Considering Weather Change
Effects using Artificial Neural Network. Proceedings - 2021 3rd
International Conference on Advances in Computing, Communication Control and
Networking, ICAC3N 2021, 916–921.
https://doi.org/10.1109/ICAC3N53548.2021.9725452
Cen, H., Li, J., Liu, Z., Nie, J., &
Cai, Q. (2023). Temperature prediction model of sheep barn in winter
based on Neural Network. 2023 24th International Conference on Electronic
Packaging Technology, ICEPT 2023.
https://doi.org/10.1109/ICEPT59018.2023.10492107
Chen, J., Wei, X., Liu, Y., Liu, Z., Ma,
Y., Zhang, M., Guo, Y., Bao, Z., & Zhang, H. (2023). Prediction of Water
Quality of Xincheng Bridge in Lanzhou Based on CNN-LSTM Model. Proceedings -
2023 3rd International Signal Processing, Communications and Engineering
Management Conference, ISPCEM 2023, 59–63.
https://doi.org/10.1109/ISPCEM60569.2023.00018
Chen, Y., Song, L., Liu, Y., Yang, L.,
& Li, D. (2020). A review of the artificial neural network models for water
quality prediction. In Applied Sciences (Switzerland) (Vol. 10, Issue
17). https://doi.org/10.3390/app10175776
Ding, S., Yang, H., Wang, Z., Song, G.,
Peng, Y., & Peng, X. (2018). Dynamic Prediction of the Silicon Content in
the Blast Furnace using LSTM-RNN-Based Models. Proceedings of 2018
International Computers, Signals and Systems Conference, ICOMSSC 2018,
491–495. https://doi.org/10.1109/ICOMSSC45026.2018.8941807
Frolov, S. V., Potlov, A. Y., Korobov, A.
A., & Savinova, K. S. (2023). Neural Network Control of Environmental
Parameters in Neonatal Incubators. Proceedings of 2023 4th International
Conference on Neural Networks and Neurotechnologies, NeuroNT 2023, 21–24.
https://doi.org/10.1109/NEURONT58640.2023.10175837
Huu, K. D. (2024). Research on Ship
Weather Routing Method Based on Dijkstra Algorithm and Neural Network. Proceedings
- 2024 International Conference on Industrial Engineering, Applications and
Manufacturing, ICIEAM 2024, 739–744.
https://doi.org/10.1109/ICIEAM60818.2024.10553838
Manocha, A., Sood, S. K., & Bhatia, M.
(2024). IoT-Dew
Computing-Inspired Real-Time Monitoring of Indoor Environment for Irregular
Health Prediction. IEEE Transactions on Engineering Management, 71,
1669–1682. https://doi.org/10.1109/TEM.2023.3338458
Pandya, M., Dave, V., & Ghosh, R.
(2020). Artificial neural network (ANN) based soil electrical conductivity
(SEC) prediction. 2020 7th International Conference on Signal Processing and
Integrated Networks, SPIN 2020, 581–586.
https://doi.org/10.1109/SPIN48934.2020.9071257
Popli, N., Davoodi, E., Capitanescu, F.,
& Wehenkel, L. (2024). Machine Learning Based Binding Contingency
Pre-Selection for AC-PSCOPF Calculations. IEEE Transactions on Power Systems,
39(2), 4751–4754. https://doi.org/10.1109/TPWRS.2023.3338971
Rao, D. V. S. K. K., Prusty, B. R., &
Myneni, H. (2022). Bright Sunshine Duration Index-Based Prediction of Solar PV
Power Using ANN Approach. 2022 International Conference on Intelligent
Controller and Computing for Smart Power, ICICCSP 2022.
https://doi.org/10.1109/ICICCSP53532.2022.9862452
Sathyaseelan, K., & Sarathambekai, S.
(2021). Machine Learning based Prediction Model for Health Care Sector - A
Survey. 3rd IEEE International Virtual Conference on Innovations in Power
and Advanced Computing Technologies, i-PACT 2021.
https://doi.org/10.1109/I-PACT52855.2021.9696646
Shu, B., Zhang, W., Chen, Y., Sun, J.,
& Wang, C. X. (2024). Path Loss Prediction in Evaporation Ducts Based on
Deep Neural Network. IEEE Antennas and Wireless Propagation Letters, 23(2),
798–802. https://doi.org/10.1109/LAWP.2023.3336469
Shukla, A., Sharma, M., Tiwari, K., Vani,
V. D., Kumar, N., & Pooja. (2023). Predicting Rainfall Using an Artificial
Neural Network-Based Model. Proceedings of International Conference on
Contemporary Computing and Informatics, IC3I 2023, 2700–2704.
https://doi.org/10.1109/IC3I59117.2023.10397714
Suleman, M. A. R., & Shridevi, S.
(2022). Short-Term Weather Forecasting Using Spatial Feature Attention Based
LSTM Model. IEEE Access, 10, 82456–82468. https://doi.org/10.1109/ACCESS.2022.3196381
Wu, L., He, D., Guan, K., Ai, B.,
Briso-Rodriguez, C., Shui, T., Liu, C., Zhu, L., & Shen, X. (2020).
Received Power Prediction for Suburban Environment based on Neural Network. International
Conference on Information Networking, 2020-January, 35–39.
https://doi.org/10.1109/ICOIN48656.2020.9016532
Yang, H., Yu, H., Zheng, K., Hu, J., Tao,
T., & Zhang, Q. (2023). Hyperspectral Image Classification Based on
Interactive Transformer and CNN With Multilevel Feature Fusion Network. IEEE
Geoscience and Remote Sensing Letters, 20.
https://doi.org/10.1109/LGRS.2023.3303008
Yang, J., Chen, H., Lin, S., Chen, L.,
& Chen, Y. (2022). Prediction of temperature change with multi-dimensional
environmental characteristic based on CNN-LSTM-ATTENTION model. IEEE Joint
International Information Technology and Artificial Intelligence Conference
(ITAIC), 2022-June, 1024–1029.
https://doi.org/10.1109/ITAIC54216.2022.9836837