Mostrar el registro sencillo del ítem
Detección de outliers en series temporales de contaminantes
dc.coverage.spatial | east=-1.649366582031242; north=42.8484055802528; name=Navarra, España | |
dc.creator | Lasheras Navas, Javier | es_ES |
dc.date.accessioned | 2020-07-29T17:31:39Z | |
dc.date.available | 2020-10-01T23:00:13Z | |
dc.date.issued | 2020 | |
dc.identifier.uri | https://hdl.handle.net/2454/37601 | |
dc.description.abstract | La contaminación es un problema que nos toca a todos muy a fondo. La temperatura de la tierra sube cada vez más y más, los polos se están deshelando y las enfermedades que estaban extintas están resurgiendo por esta subida de calor. Es por eso, que se han creado agencias gubernamentales que velan por la seguridad medioambiental del planeta. En Europa esta agencia de medio ambiente se llama EEA (European Environment Agency). Para proteger Europa de niveles de contaminación excesivos, esta agencia observa de manera periódica los niveles de contaminantes en ciertas zonas. Para ello construyen sensores y los distribuyen por todos los rincones del continente y recopilan esa información en bases de datos que posteriormente analizan. Sin embargo, estos sensores no son perfectos. Los valores recopilados por estos pueden fallar por múltiples razones como, por ejemplo, un pico de tensión, un problema en la transmisión de los datos a la base de datos, por obstrucción del sensor o por cualquier otra eventualidad. Estos fallos, a pesar de ser esporádicos, son un problema muy grande. Al analizar los datos automáticamente y tratarlos no puede haber fallos asiduamente, ya que si así fuera se encenderían alertas de contaminación en múltiples países dados estos fallos, llegando in extremis a poner en marcha planes contra esta contaminación a nivel nacional. Es por esto, que desde Tracasa Instrumental y en colaboración con la EEA vemos necesario desarrollar técnicas de machine learning y de deep learning para detectar estos fallos y solucionarlos en la medida de lo posible, para no encender falsas alarmas y para evitar datos corruptos que fallen cualquier estudio sobre los datos. | es_ES |
dc.format.mimetype | application/pdf | en |
dc.language.iso | spa | en |
dc.subject | Algoritmo | es_ES |
dc.subject | Outliers | en |
dc.subject | Clustering | en |
dc.subject | Machine Learning | en |
dc.subject | Modelo Autorregresivo | es_ES |
dc.title | Detección de outliers en series temporales de contaminantes | es_ES |
dc.type | Trabajo Fin de Grado/Gradu Amaierako Lana | es |
dc.type | info:eu-repo/semantics/bachelorThesis | en |
dc.date.updated | 2020-07-24T08:23:31Z | |
dc.contributor.affiliation | Escuela Técnica Superior de Ingeniería Industrial, Informática y de Telecomunicación | es_ES |
dc.contributor.affiliation | Industria, Informatika eta Telekomunikazio Ingeniaritzako Goi Mailako Eskola Teknikoa | eu |
dc.description.degree | Graduado o Graduada en Ingeniería Informática por la Universidad Pública de Navarra | es_ES |
dc.description.degree | Informatika Ingeniaritzako Graduatua Nafarroako Unibertsitate Publikoan | eu |
dc.rights.accessRights | Acceso abierto / Sarbide irekia | es |
dc.rights.accessRights | info:eu-repo/semantics/openAccess | en |
dc.embargo.terms | 2020-10-01 | es_ES |
dc.contributor.advisorTFE | Galar Idoate, Mikel | es_ES |
dc.subject.geo | Informática | es_ES |