Detección y reparación de anomalías para mejorar el monitoreo de la calidad del aire

El aire limpio en las ciudades mejora nuestra salud y calidad de vida en general, y contribuye a luchar contra el cambio climático y preservar nuestro medio ambiente. Las mediciones de alta resolución de las concentraciones de contaminantes pueden ayudar a identificar las zonas urbanas con mala calidad del aire y sensibilizar a los ciudadanos, al tiempo que fomentan comportamientos más sostenibles. Los recientes avances en la tecnología del Internet de las Cosas (IoT) han dado lugar a un amplio uso de sensores de calidad del aire de bajo coste para la monitorización hiperlocal de la calidad del aire. Como resultado, las administraciones públicas y los ciudadanos confían cada vez más en la información obtenida de los sensores para tomar decisiones en su vida cotidiana y mitigar los efectos de la contaminación. Por desgracia, en la mayoría de las aplicaciones de detección, se sabe que los sensores son propensos a errores.

Gracias a las tecnologías de Inteligencia Artificial (IA), es posible idear métodos eficientes desde el punto de vista computacional capaces de detectar automáticamente anomalías en esos flujos de datos en tiempo real. Para mejorar la fiabilidad de las aplicaciones de detección de la calidad del aire, creemos que es muy importante establecer un proceso de limpieza de datos.

En este trabajo, se propone AIrSense, un novedoso marco basado en IA para obtener concentraciones fiables de contaminantes a partir de datos sin procesar recogidos por una red de sensores de bajo coste. Dicho marco aplica un procedimiento de detección y reparación de anomalías en las mediciones brutas antes de aplicar el modelo de calibración, que convierte las mediciones brutas en mediciones de concentración de gases. Existen muy pocos estudios sobre la detección de anomalías en los datos brutos de los sensores de calidad del aire (milivoltios). Este enfoque es el primero que propone detectar y reparar anomalías en los datos brutos antes de calibrarlos teniendo en cuenta la secuencia temporal de las mediciones y las correlaciones entre las distintas características de los sensores.

Si al menos algunas mediciones previas están disponibles y no son anómalas, entrena un modelo y utiliza la predicción para reparar las observaciones; en caso contrario, explota la observación previa. En primer lugar, un sistema de votación por mayoría basado en tres algoritmos diferentes detecta las anomalías en los datos brutos. A continuación, las anomalías se reparan para evitar valores perdidos en las series temporales de mediciones. Al final, el modelo de calibración proporciona las concentraciones de contaminantes.

Los experimentos realizados con un conjunto de datos reales de 12.000 observaciones producidas por 12 sensores de bajo coste demostraron la importancia del proceso de limpieza de datos para mejorar el rendimiento de los algoritmos de calibración.

Título Original:

"Anomaly Detection and Repairing for Improving Air Quality Monitoring"

Autor/es: