Evaluación matemática de modelos predictivos clásicos y cuánticos aplicados al pronóstico de MP2.5 en entornos urbanos

La modelización de la calidad del aire se ha convertido en un área estratégica dentro de la ciencia de datos, especialmente en contextos urbanos donde la contaminación presenta una alta variabilidad y una dinámica no lineal.

Este estudio proporciona una comparación matemática y computacional entre dos paradigmas predictivos: el modelo clásico de Memoria Larga a Corto Plazo (LSTM), diseñado para el análisis secuencial de series temporales, y el modelo cuántico Quantum Support Vector Machine (QSVM), basado en métodos kernel aplicados en espacios de Hilbert. Ambos enfoques se aplican a datos reales de concentración de MP2,5Sigla para el Material Particulado con un diámetro menor a 2.5μm (micrómetros), es decir, a 2.5 milésimas de parte de un milímetro, o a 2.5 millonésimas de parte de un metro.   recogidos en la estación de monitorización de Plaza Castilla (Madrid) durante el periodo 2017-2024.

El modelo LSTM demuestra una precisión moderada para las tendencias estacionales suaves, pero muestra un rendimiento limitado en la detección de eventos de contaminación extrema. En cambio, el QSVM logra una clasificación binaria perfecta mediante un núcleo cuántico basado en la codificación angular, con un tiempo de entrenamiento y un coste computacional significativamente menores.

Más allá de los resultados empíricos, este trabajo pone de relieve el creciente potencial de la Inteligencia Artificial Cuántica como paradigma híbrido capaz de ampliar los límites de los modelos clásicos en tareas complejas de predicción medioambiental. Las implicaciones apuntan hacia una transición prometedora hacia sistemas de predicción mejorados cuánticamente y destinados a avanzar en la sostenibilidad urbana.

Título Original:

"Mathematical Evaluation of Classical and Quantum Predictive Models Applied to PM2.5 Forecasting in Urban Environments"

Autor/es: