Modelos de predicción con redes neuronales y modelos funcionalesuna aplicación a un problema medioambiental

Résumé

El presente trabajo aborda el desarrollo de modelos estadísticos de predicción como herramienta de ayuda en el control de la calidad del aire. Concretamente, se desarrollan diversos modelos para predecir niveles de SO2 en el entorno de una central térmica que utiliza carbón como combustible en la generación de energía eléctrica. En el capítulo 1 de la presente memoria se describe detalladamente el problema ambiental que motiva el problema estadístico. En los siguientes capítulos se aborda la solución al problema desde diferentes puntos de vista. Inicialmente se desarrollan modelos de redes neuronales como mecanizados de predicción puntual (capítulo 2). Los resultados de estos modelos se mejoran con la aplicación de técnicas de boosting en el capítulo 3. A partir del capítulo 4 se aborda el problema de predicción desde un punto de vista funcional, introduciendo diversos modelos con los que se obtienen resultados, competitivos si se comparan con los resultados puntuales, con el valor añadido que representa la obtención de una curva como predicción, en lugar de un único punto. En el capítulo 5 se desarrollan metodologías bootstrap para los modelos funcionales, lo que nos permite generar regiones de confianza para las predicciones funcionales. Finalmente, en el capítulo 6, se desarrolla un algoritmo boosting funcional que permite mejorar las predicciones obtenidas con los distintos modelos funcionales. El objetivo perseguido en todos los desarrollos, es la obtención de resultados de predicción fiables que permitan la inclusión de estas técnicas en un Sistema de Control Suplementario de la Contaminación Atmosférica, como herramienta efectiva de ayuda en la toma de decisiones. El principal objetivo de los citados sistemas es la reducción del impacto de la contaminación de la central térmica en su entorno. Por tanto, los modelos de predicción desarrollos constituyen una aportación, un pequeño granito