Regresar

Diseño de un modelo pbkp_redictivo basado en técnicas de Machine Learning que permita determinar la temperatura usando los datos de una mini estación meteorológica en la ciudad de Guayaquil.

Abstract:

En la actualidad conocer la temperatura a futuro se ha vuelto importante para realizar las actividades de manera normal, tomando las debidas precauciones ante variaciones de temperatura, por lo que en el presente proyecto, consistió en observar, obtener y almacenar los datos de temperatura, humedad y presión atmosférica mediante una mini estación meteorológica conformada por sensores y conectada a una dispositivo IoT, ubicada en la ciudad de Guayaquil, además el desarrollo del diseño de un modelo pbkp_redictivo basado en técnicas de Machine Learning, donde se utilizó la arquitectura de red neuronal recurrente (LSTM), se tomó en cuenta un año de datos de temperatura, humedad y presión atmosférica (mínima y máxima) proporcionados por el Instituto Nacional de Meteorología e Hidrología, datos que se utilizaron para el entrenamiento del modelo y así obtener una pbkp_redicción de un día en el futuro de la temperatura, los resultados son comparados con los datos reales que se cuentan y con otros modelos pbkp_redictivos similares basados en redes neuronales. El proyecto también integra un sitio web donde se podrá visualizar los datos de la mini estación y las variaciones diarias de la temperatura cuyas variaciones pueden ser analizadas mediante gráficos estadísticos, y las pbkp_redicciones obtenidas por el modelo podrán ser visualizadas en un módulo destinado a las pbkp_redicciones. A través de un juicio de expertos realizados a especialistas en el área de Inteligencia artificial y sistemas, se logró la aceptación del desarrollo del proyecto.