Mejorando la planificación gracias a 
la predicción de la contaminación 
 

El objetivo del proyecto, en colaboración con los actores principales involucrados en el mismo, es doble:

1. Desarrollo, ensayo y validación del servicio/producto derivado de la prueba de concepto desarrollada previamente en el proyecto PREDICT para su aplicación en el ecosistema del transporte de última milla.
2. La prueba contrastada de la aplicación de la metodología también desarrollada en dicho proyecto previo.

El proyecto se circunscribirá a las capitales de provincia con poblaciones por encima de los 6000.000 habitantes en España, capitales que coinciden estar entre las que recurrentemente superan los niveles de contaminación permitidos por la Unión Europea: Madrid, Barcelona, Valencia, Sevilla y Zaragoza.

El objetivo último después de la prueba será la generación de un servicio desde CITET para el consumo de estos modelos previsionales de contaminación.

En lo que respecta a la generación del modelo de previsión, nuestro objetivo será, en primer lugar, automatizar la integración de las fuentes de datos ya testadas, integrar fuentes de datos adicionales para esta ampliación de ámbito (el piloto se circunscribió a la ciudad de Madrid), de manera que podamos determinar diferentes los tipos de variables objetivos:

• Predicción directa de los niveles de contaminación de diferentes agentes en sensores individuales.
• Predicción de un índice global de contaminación en diferentes ciudades, tomando Madrid por su problemática como primer banco de ensayos.
• Predicción del levantamiento de restricciones por parte del ayuntamiento, en el caso de las ciudades con protocolos de contaminación, hasta la fecha: Madrid, Barcelona y Valencia.

Para ello utilizaremos datos de las siguientes fuentes:

• Históricos de contaminación de los sensores de contaminación de las diferentes ciudades
• Históricos de meteorología: temperatura, precipitaciones, viento, inversión térmica, …
• Históricos de tráfico: datos de tráfico procedentes de los distintos organismos: ayuntamientos, fomento, DGT, …. Esta variable fue desestimada en el caso del piloto de Madrid, si bien, se volverá a testar su valía en este caso con la ampliación del ámbito territorial

Lo que haremos con toda esta información será revisar y crear una serie de variables potencialmente predictivas de los diferentes indicadores objetivo para seleccionar las que provean un mayor poder de predicción. 

Posteriormente, revisaremos los análisis de anticipación con que podemos generar los modelos ya que, dependiendo del lugar, puede variar. En nuestra prueba piloto estos horizontes se definieron a 24, 48 horas y una semana vista, si bien, en base al estado del arte ahora conocemos que estos horizontes podrían variar en función de las variables meteorológicas que más afecten en cada ámbito geográfico.

Siguiendo la pauta de modelos aplicados a nuestra previsión en el piloto, construiremos modelos basados en diferentes familias de algoritmos para optimizar su rendimiento. En el caso de las redes neuronales, estos modelos, tienen una gran complejidad en el afinamiento de los parámetros que los componen, desde los pesos de la red neuronal, el número de neuronas por capa o el propio número de capas ocultas de la red; para ello, utilizaremos algoritmos genéticos que nos ayuden a conformar la estructura óptima de la red y por tanto llegar a la mejor predicción posible. También utilizaremos modelos econométricos de series temporales como son las técnicas ARIMA, que permiten obtener predicciones no solamente utilizando datos históricos de la serie sino combinarlo con otros regresores externos que provean información adicional a la predicción.