1. Repositorio Institucional del Tecnológico Nacional de México (RI - TecNM)
2. Tesis de Posgrado
3. Tamaulipas
4. Instituto Tecnológico de Ciudad Madero
5. Tesis - Tec. Madero - O
6. Tesis de Doctorado
7. Doctorado en Ciencias de la Ingeniería

Título:	ESTRATEGIAS DE DEEP LEARNING PARA PRONÓSTICO DE CAMBIO CLIMÁTICO
Autor:	Estrada Patiño, Erick
Data:	2026-02-01
Editora:	Tecnológico Nacional de México
metadata.dc.publisher.tecnm:	Instituto Tecnológico de Ciudad Madero
Descrição:	El presente trabajo aborda el problema del pronóstico de variables climáticas en el contexto del cambio climático, un fenómeno caracterizado por comportamientos altamente no lineales. El objetivo principal de este trabajo fue el diseño, implementación y evaluación de distintas estrategias de aprendizaje profundo y esquemas de ensamble optimizados, con el objetivo de mejorar la precisión y eficiencia de los modelos tradicionales y de otras estrategias de ensamble que han mostrado éxito en el área de pronóstico. Para ello, se desarrollaron cuatro metodologías: HELI, FORSEER, GEANY y TAE-Predict. En cualquiera de las metodologías realizadas, se aplican enfoques modernos como los modelos de Deep learning y estrategias de ensamble de modelos de pronóstico, ponderadas con diferentes estrategias. Algunas de las estrategias propuestas se fundamentan en la descomposición de las series de tiempo en tendencia, estacionalidad y residuales, permitiendo un ajuste más eficiente de los modelos. En los enfoques multivariados se incorporó una estrategia de reducción de dimensionalidad basada en la unión de conjuntos, optimizando los tiempos de procesamiento sin afectar la calidad del pronóstico. La validación experimental se realizó con bases de datos climáticos de distintas zonas metropolitanas de México, bajo un esquema de evaluación estadística riguroso. Los resultados muestran que las metodologías HELI y FORSEER, alcanzan un desempeño comparable al modelo SMYL, referente en competencias internacionales. Además, los modelos desarrollados presentan mayor estabilidad y menores tiempos de entrenamiento, incluso ante series de alta complejidad, lo que los posiciona como alternativas eficientes para el análisis y pronóstico de variables climáticas.
metadata.dc.type:	info:eu-repo/semantics/doctoralThesis
Aparece nas colecções:	Doctorado en Ciencias de la Ingeniería

Este registo está protegido por copyright original. Ver licença

Este registo está protegido por Licença Creative Commons