Resumen

Proponemos tres técnicas de control de calidad (QC) mediante aprendizaje automático que dependen del tipo de datos de entrada utilizados para el entrenamiento. Estas incluyen el control de calidad basado en series temporales de un solo elemento meteorológico, el control de calidad basado en series temporales junto con otros elementos meteorológicos, y el control de calidad utilizando características espaciotemporales. Realizamos un control de calidad basado en el aprendizaje automático en cada elemento meteorológico de los datos atmosféricos, como la temperatura, adquiridos a partir de siete tipos de sensores IoT y aplicamos algoritmos de aprendizaje automático, como la regresión de vectores de apoyo, en los datos con errores para realizar estimaciones significativas a partir de ellos. Mediante el error medio cuadrático (RMSE), evaluamos el rendimiento de las técnicas propuestas. Como resultado, el QC realizado junto con otros elementos meteorológicos tuvo un 0,14% menos de RMSE de media que el QC realizado con un solo elemento meteorológico. En el caso del QC con consideraciones de características espacio-temporales, el QC realizado mediante entrenamiento con datos del AWS mostró un rendimiento con un 17% menos de RMSE que el QC realizado sólo con datos brutos.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:qc, elementos meteorológicos individuales, elementos meteorológicos, aprendizaje automático, rmse inferior, series temporales, tipo de entrada, tipo de iot, consideración de las características espacio-temporales, error medio cuadrático
• Keywords:qc, single weather elements, weather elements, machine learning, lower rmse, time series, type of input, type of iot, spatiotemporal characteristics consideration, means squared error