Browsing by Subject "Redes neuronales LSTM"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Desarrollo de un sistema de monitoreo y análisis para la calidad del aire usando Internet de las Cosas (IoT) y tecnologías de Machine Learning (ML) en tres puntos geográficos de la ciudad de Bogotá
    (Pontificia Universidad Javeriana Cali, 2025) Ariza Gutiérrez, Alvaro Mauricio; Sierra Guzmán, Carlos Johany; Tamura Morimitsu, Eugenio
    Este proyecto desarrolla un sistema inteligente de monitoreo, análisis y predicción de la calidad del aire en tres puntos estratégicos de Bogotá, integrando tecnologías de Internet de las Cosas (IoT) y Machine Learning (ML). El objetivo es ofrecer información en tiempo real y predicciones sobre los niveles de monóxido de carbono (CO) y material particulado fino (PM2.5), dos de los contaminantes atmosféricos más críticos para la salud pública urbana. El sistema surge como una solución complementaria a la limitada cobertura de las estaciones oficiales, proponiendo una alternativa de bajo costo, escalable y descentralizada. Para la captura de datos se utilizan sensores SEN0564 para CO y PMS5003 para PM2.5, conectados a microcontroladores ESP32 programados en Arduino IDE. Estos dispositivos envían los datos a la plataforma en la nube ThingSpeak, donde se almacenan, visualizan y procesan los datos. La etapa analítica y predictiva se desarrolla en Python, utilizando Google Colab Notebooks, donde se aplican técnicas de análisis exploratorio (EDA) y se entrenan redes neuronales LSTM (Long Short-Term Memory), apropiadas para series temporales. Para cada contaminante y cada medidor se construye un modelo independiente, optimizado con Keras Tuner y Random Search para encontrar los mejores hiperparámetros. Se obtuvieron resultados (por ejemplo, R² superiores al 0.98 y RMSE bajos), lo cual valida la precisión del enfoque empleado. En paralelo, se diseñó una interfaz web con Google Sites, donde se integran las visualizaciones dinámicas desde ThingSpeak. Además, se implementó un sistema de alertas automáticas con Telegram, programado directamente desde ThingSpeak mediante TimeControl, React y ThingHTTP. Las alertas no se generan con base en el AQI, sino mediante umbrales definidos por contaminante, por ejemplo, valores mayores a 4.5 ppm para CO o 9.1 μg/m³ para PM2.5, notificando a un grupo de usuarios cuando se superan dichos niveles. La combinación de estas herramientas permite desplegar un sistema modular, automatizado y transparente, capaz de generar alertas tempranas, visualizar tendencias de contaminación y ofrecer predicciones horarias, todo sin depender de infraestructura costosa. El sistema puede escalarse fácilmente a otras zonas urbanas, incorporarse a estrategias de gestión ambiental y contribuir a fortalecer la participación ciudadana en el monitoreo de la calidad del aire.