Pronóstico de calidad del aire: modelos predictivos para mejorar la sostenibilidad, la salud y la movilidad

El proyecto utilizó sensores meteorológicos y de calidad del aire asequibles, un sistema de cámaras con visión artificial para el recuento y clasificación de vehículos y una plataforma basada en la web para monitorear y analizar datos ambientales y de tráfico.

Se requería una solución integral para monitorear y pronosticar la contaminación del aire de fuentes móviles, proporcionar predicciones precisas de la calidad del aire y permitir una gestión eficaz de la movilidad mediante modelos predictivos y sistemas de monitoreo ambiental en tiempo real. El objetivo era mejorar las estrategias de movilidad sostenible, mejorar la salud pública y garantizar el cumplimiento de las normas nacionales de calidad del aire en estas áreas metropolitanas que enfrentan desafíos significativos relacionados con la contaminación del aire y la congestión del tráfico.

Las tareas implicaron la planificación, recopilación de datos, desarrollo de modelos y supervisión. Enfrentamos retos como la integración de varias fuentes de datos (por ejemplo, analizadores de calidad del aire, estaciones meteorológicas y cámaras con visión artificial), garantizar la precisión de los datos y desarrollar un modelo predictivo. Los términos de referencia requirieron de fases detalladas para la planificación, el desarrollo y la calibración del modelo, así como amplios requisitos de recopilación de datos e integración de tecnología.

Se involucró a dos equipos de expertos: uno especializado en gestión de datos y el otro en desarrollo de software, y hubo seis fases:

• Planificación (conceptualización del modelo; definición de variables y tecnologías; diseño de la arquitectura y del ciclo de vida del aprendizaje automático)
• Instalación de equipos y sensores (validación y ensayo de sensores; soporte de instalaciones de campo; validación de la transmisión de datos)
• Desarrollo del modelo (revisión de algoritmos/modelos existentes; recopilación de datos e información histórica; realización de análisis exploratorios de datos; procesamiento de datos; entrenamiento y validación del modelo; optimización de hiperparámetros)
• Calibración y evaluación del modelo (desarrollo de API; validación de predicciones del modelo)
• Implementación y despliegue (implementación del modelo; implementación de la plataforma web de pronóstico; ensayo de las plataformas)
• Documentación (documentación de algoritmos; realización de sesiones de capacitación y talleres para usuarios finales)

Nuestros servicios incluyeron:

• La implementación de estaciones de tráfico y calidad del aire: configuración, integración e instalación de sensores meteorológicos y de calidad del aire y un sistema de cámaras con visión artificial para el recuento y clasificación de vehículos para monitorear el tráfico vial.
• Desarrollo de modelos predictivos mediante aprendizaje automático: análisis y procesamiento de datos, junto con el desarrollo, ensayo y evaluación de modelos de pronóstico de calidad del aire, meteorología y tráfico vehicular mediante redes neuronales LSTM.
• Desarrollo de una plataforma web: diseño, desarrollo, ensayo y documentación de una plataforma web para la movilidad sostenible y el inventario de emisiones.
• Gestión de la infraestructura en la nube: provisión y soporte de servicios en la nube de AWS para el almacenamiento de datos y el alojamiento de la plataforma web.
• Implementación de tecnologías de desarrollo propio: Utilizamos tecnologías propias como AmbiensQ y estándares establecidos de ciencia de datos para analizar y procesar conjuntos de datos de sensores. Empleamos aprendizaje automático para crear modelos predictivos para la calidad del aire y la previsión del tráfico. Además, desarrollamos software para visualizar e informar datos en la plataforma web, integramos varios sensores meteorológicos y de calidad del aire con cámaras de tráfico y aplicamos técnicas de visión artificial para analizar patrones de tráfico.

Nuestra diferenciación se basó en un enfoque integral e integrado a través de la plataforma de desarrollo propio AmbiensQ. Esta plataforma centraliza la gestión de datos ambientales y aprovecha tecnologías como la computación en la nube, el análisis de datos, la visualización de mapas y el aprendizaje automático. AmbiensQ Suite integra datos de una amplia gama de sensores e incluye funciones de validación de datos que garantizan la monitorización en tiempo real y las capacidades predictivas.