La previsión de la contaminación atmosférica es la tarea de predecir los valores futuros de una secuencia determinada utilizando datos históricos de la misma señal (previsión univariante) o datos históricos de varias señales interrelacionadas (previsión multivariante) (Martinez et al. 2013).

Los datos de previsión de AirVisual se formulan utilizando la previsión multivariante. Las bases de datos de AirVisual aprenden una arquitectura de datos profunda para buscar señales y procesar información en el ruido.

Este método de aprendizaje de arquitectura profunda es preferible a otros métodos por sus muchos niveles de no linealidad; tiene la capacidad teórica de aprender características complejas, a la vez que consigue una mejor generalización.

El aprendizaje profundo es una combinación de áreas de investigación que incluyen redes neuronales, inteligencia artificial, modelado gráfico, optimización, reconocimiento de patrones y procesamiento de señales. Este algoritmo se describe como "profundo" porque la entrada tiene que pasar por varias no linealidades antes de generar la salida. La ventaja de tener muchas capas es la capacidad de representar de forma compacta funciones altamente no lineales y muy variables (Dalto, M).

Cuando se enfrenta a un gran conjunto de datos, el aprendizaje automático "agrupa" estas categorías basándose en la similitud con más precisión que lo haría un ser humano. A continuación, el proceso aprende a categorizar de forma incremental, empezando por los niveles inferiores y terminando con las categorías superiores. Este proceso se conoce como aprendizaje no supervisado.

El aprendizaje profundo se caracteriza por dos aspectos clave:

1. Modelos formados por múltiples capas o etapas de procesamiento no lineal de la información.
2. Métodos para el aprendizaje supervisado o no supervisado de la representación de características en capas sucesivamente superiores y más abstractas.

Para pronosticar los niveles de contaminación, nuestra fórmula consta de aprendizaje profundo/arquitectura y un algoritmo que ayuda a distinguir las relaciones entre categorías y niveles de contaminación. Esto se debe a que el aprendizaje profundo carece de formas de representar las relaciones y a menudo se enfrenta a retos a la hora de adquirir estas relaciones; por lo tanto, el aprendizaje profundo es solo una parte del gran reto de construir máquinas inteligentes, y requiere ayuda para crear un resultado preciso.

El aprendizaje automático estudia los patrones que relacionan la calidad actual del aire y las condiciones meteorológicas actuales con la previsión meteorológica y la calidad histórica del aire. Naturalmente, cuantos más datos se reciban, más precisa será la previsión.

El inconveniente de las redes neuronales multicapa es que son bastante complicadas. La configuración es difícil y compleja y hay muchos parámetros que ajustar.

La contaminación atmosférica en sí misma se ve afectada por muchos factores -medioambientales y humanos-, por lo que pueden producirse errores de previsión debido a lo imprevisible de estos factores.

La figura 1 trata de explicar gráficamente los procesos que intervienen en el cálculo de la previsión de la calidad del aire utilizada por AirVisual. Se trata de un sistema de bucle cerrado, también conocido como sistema de control de realimentación, que permite al sistema ajustar sus prestaciones para satisfacer la respuesta deseada. El sistema capta todos los datos en tiempo real (condiciones meteorológicas actuales, calidad del aire actual), los datos históricos (calidad del aire, condiciones meteorológicas) y los patrones históricos (condiciones meteorológicas, calidad del aire); estos componentes constituyen la entrada para el motor. Todos los datos, además de en tiempo real, están controlados por un sistema de inteligencia artificial: este sistema tiene su propio método de aprendizaje y sigue aprendiendo durante el proceso de cálculo de los datos. El motor de previsión utiliza una serie de fórmulas para determinar la previsión de la calidad del aire; este resultado se evalúa a continuación mediante el proceso de bucle de realimentación para proporcionar una predicción más precisa.

Es importante señalar que el pronosticador AirVisual no puede tener en cuenta acontecimientos impredecibles, como catástrofes naturales y medidas gubernamentales de limpieza del aire (leyes sobre emisiones, restricciones a la circulación de automóviles). Por lo tanto, las previsiones de AirVisual pueden ser inexactas. Otras limitaciones son las previsiones meteorológicas (los países en desarrollo carecen a menudo de previsiones meteorológicas de gran precisión) y la ubicación/geografía.

Descargo de responsabilidad

Este modelo de previsión, y todas las predicciones de calidad del aire resultantes, pretende proporcionar información precisa relacionada con la calidad del aire. Se han tomado medidas para garantizar su calidad y precisión. No obstante:

• AirVisual se basa en modelos de Predicción Meteorológica Numérica (NWP), especialmente en el Sistema de Predicción Global (GFS). En algunos países (como China), la precisión del GFS es inferior a la de otros países, lo que a veces repercute en la precisión de las previsiones sobre la calidad del aire.


• No asumimos ninguna responsabilidad legal por la exactitud, integridad o corrección de la información de las previsiones.


• No asumimos ninguna responsabilidad legal por daños o pérdidas que puedan haberse producido directa o indirectamente como resultado de cualquier información obtenida a partir de la previsión de AirVisual.