Publicación del proyecto · Results in Engineering
Resumen
El estudio compara modelos híbridos para predecir PM2.5 en estaciones de Madrid que no se han utilizado durante el entrenamiento. Combina factores latentes, descomposición de señales y aprendizaje automático con datos ambientales y meteorológicos de quince estaciones.
Indicadores bibliométricos
- Área JCR
- Engineering, Multidisciplinary
- Año JCR
- 2025
- Consulta Scholar
- 26 octubre 2026
- Fuente JCR
- Clarivate
Contribución principal
Se contrastan trece arquitecturas y una combinación de predicciones mediante regresión lineal restringida. Trece estaciones sirven para entrenamiento y validación y dos quedan reservadas para evaluar la generalización espacial. Los hiperparámetros se optimizan con métodos bayesianos para distintos horizontes de predicción.
Resultados y alcance
El mejor método reduce la pérdida de Huber un 17,7 % respecto a la referencia de persistencia espaciotemporal. Las comparaciones por horizonte muestran errores inferiores a las referencias de persistencia y aprendizaje (p = 0,02 en ambos casos). El alcance se limita a los datos, horizontes y dos estaciones no vistas de Madrid evaluados; no demuestra una generalización universal a otras ciudades.
Relación con BoND1
La predicción a partir de redes de sensores aporta una aplicación de la analítica inteligente y la monitorización ambiental de BoND1. Permite estudiar cómo aprovechar observaciones distribuidas y evaluar su utilidad fuera de las ubicaciones de entrenamiento. El artículo reconoce expresamente la financiación PID2023-148214OB-C21.
Project publication · Results in Engineering
Summary
The study compares hybrid models for forecasting PM2.5 at Madrid stations withheld from model training. It combines latent factors, signal decomposition and machine learning using environmental and meteorological observations from fifteen monitoring stations.
Bibliometric indicators
- JCR area
- Engineering, Multidisciplinary
- JCR year
- 2025
- Scholar query
- 26 October 2026
- JCR source
- Clarivate
Main contribution
Thirteen architectures and a restricted-linear-regression forecast ensemble are assessed. Thirteen stations support training and validation, while two are reserved for spatial-generalisation testing. Bayesian hyperparameter optimisation is used across forecasting horizons.
Results and scope
The best method reduces Huber loss by 17.7% relative to spatiotemporal persistence. Horizon-level comparisons show lower errors than persistence and learning-based references (p = 0.02 for both). The findings apply to the evaluated data, horizons and two unseen Madrid stations; they do not establish universal transfer to other cities.
Link with BoND1
Forecasting from sensor networks contributes an application of BoND1 intelligent analytics and environmental monitoring. It examines how distributed observations can support prediction beyond the training locations. The article explicitly acknowledges funding from PID2023-148214OB-C21.