Resum

El desenvolupament de models matemàtics predictius de fenòmens de 
distint tipus és una de les aplicacions principals de la Mineria de Dades. 
Els mètodes simples disponibles per al desenvolupament de models de 
predicció sovint reduïxen la complexitat del problema a costa de 
sacrificar precisió en la resposta. Enfront d'esta disjuntiva hi ha la 
possibilitat d'aplicar les tècniques de mineria de dades, que partint de 
l'existència i disponibilitat de grans volums de dades, exploren les 
relacions i correlacions entre les diferents variables descriptores del 
fenomen i un conjunt d'observacions del mateix, buscant descobrir 
patrons de comportament amb l'objectiu de construir un model de 
predicció d'aquell.

Este és el cas en la modelació d'elements contaminants en l'aire. La 
contaminació atmosfèrica és un fenomen amb un comportament  
altament no lineal i multivariant, l'estudi del qual exigeix disposar de 
matrius de dades de grans mides, per la qual cosa arriben a ser 
necessàries ferramentes d'anàlisi i maneig de dades molt complexes. 

A vegades s'utilitzen diversos mètodes, alguns objectius, altres un tant 
subjectius buscant un balanç entre les fortaleses i debilitats existents en  
les distintes ferramentes, així com avaluar (sovint  per mitjà de mètodes 
de  prova i error) distints horitzons de temps d'anticipació en la 
predicció, jugar amb la presència i absència de variables involucrades, 
amb la quantitat de dades, amb distintes agrupacions dels mateixos, etc. 
sempre tractant d'obtindre una millor comprensió del fenomen i 
aconseguir les millors prediccions possibles tenint en compte les 
limitacions derivades de la disponibilitat de dades relatives al sistema 
analitzat.

En el cas concret d'esta tesi, els models de predicció desenvolupats es 
van enfocar per a la predicció del valor mitjà de Partícules Fines (PM2.5) 
presents en l'aire respirable amb un temps d'anticipació de 8 hores i de 
l'Ozó Troposfèric Màxim (O3) amb 24 hores d'anticipació. 

Es va treballar amb un interessant conjunt de tècniques de predicció 
partint de ferramentes de naturalesa paramètrica tan senzilles com 
Persistència, Modelació Lineal Multivariant, així com la tècnica semi-
paramètrica denominada “Regression Ridge”  a més de ferramentes de 
naturalesa no paramètrica com a Xarxes Neuronals Artificials i Màquines 
de Vectors Suport (SVM).  

Considerant que es coneixia prèviament la naturalesa altament no lineal 
dels contaminants modelats, les tècniques paramètriques van tindre la 
comesa d'establir límits màxims d'error en la predicció i de ser 
importants referències  comparatives respecte a la resta de models 
desenvolupats.

Un resultat significatiu del treball va ser l'obtenció de models de 
predicció millors als disponibles en la bibliografia, aplicant ferramentes 
de Xarxes Neuronals Artificials com Perceptron Multicapa (MultiLayer 
Perceptron, MLP), Perceptron Multi Capa Quadràtica  (SMLP), Funció 
de Base Radial (RBF) i Xarxes Elman, així com Màquina de Vectors 
Suport (SVM).