Imputación de datos de sensores ambientales urbanos utilizando aprendizaje profundo bidireccional de memoria a corto...

Área de la Ciencia:

• Ciencias Ambientales
• Ciencia de Datos
• Planificación Urbana

Sus antecedentes:

• Las redes de monitoreo ambiental urbano enfrentan brechas de datos debido a fallas de sensores y problemas de comunicación.
• Garantizar la continuidad y calidad de los datos es crucial para una gestión ambiental eficaz.
• Los métodos de imputación de datos existentes pueden tener dificultades con las complejas dependencias espacio-temporales en entornos urbanos.

Objetivo del estudio:

• Desarrollar y evaluar un modelo avanzado para la imputación de datos faltantes en redes de monitoreo ambiental urbano.
• Evaluar el rendimiento del modelo propuesto de memoria a corto plazo bidireccional con atención de compuerta (GA-BiLSTM) frente a métodos establecidos.
• Investigar la influencia de diferentes duraciones de brechas y el papel de los nodos de monitoreo periféricos.

Principales métodos:

• Desarrollo de un modelo de memoria a corto plazo bidireccional con atención de compuerta (GA-BiLSTM).
• Utilización de datos de la red CROCUS en Chicago para el entrenamiento y evaluación del modelo.
• Análisis comparativo frente a XGBoost y K-nearest neighbors bajo varios escenarios de brechas de datos (a corto y largo plazo).

Principales resultados:

• El modelo GA-BiLSTM superó significativamente a XGBoost y K-nearest neighbors en precisión de imputación de datos.
• GA-BiLSTM demostró un rendimiento superior, especialmente en el manejo de interrupciones de datos prolongadas (hasta diez días).
• El análisis reveló la importancia predictiva crucial de los nodos sensores rurales periféricos para la imputación de datos urbanos.

Conclusiones:

• Las técnicas avanzadas de imputación como GA-BiLSTM pueden mejorar sustancialmente la confiabilidad de los datos de monitoreo ambiental urbano.
• Los hallazgos subrayan el valor de integrar fuentes de datos periféricas para sistemas de monitoreo urbano robustos.
• La imputación de datos mejorada apoya infraestructuras de datos más resilientes, esenciales para las iniciativas de sostenibilidad urbana.