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

Title:	ESTRATEGIAS DE DEEP LEARNING PARA PRONÓSTICO DE CAMBIO CLIMÁTICO
Authors:	Estrada Patiño, Erick
Issue Date:	2026-02-01
Publisher:	Tecnológico Nacional de México
metadata.dc.publisher.tecnm:	Instituto Tecnológico de Ciudad Madero
Description:	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
Appears in Collections:	Doctorado en Ciencias de la Ingeniería

This item is protected by original copyright View License

This item is licensed under a Creative Commons License