ING1923.

- DATA
Módulo:
SCIENCE

Actividad de Desarrollo 3:
Planteamiento de un modelo para
la predicción del clima en la
Ciudad de México.

Nombre:
Mtro. José Ricardo Monjarás vera
Asesor:
Dr. Jesús Hernández Padilla
Fecha:
30/enero/2022
OBJETIVO

• Desarrrollar un modelo predictivo del clima en la Ciudad de

México.

INTRODUCCIÓN
La predicción de la temperatura en tiempo real, juega un papel importante
en la inteligecia artificial aplicada, desde sistemas de riegos en la que neceistan
definir los horarios adecuados para plantar los frutos y legumbres, hasta los
sistemas más sofisticados para las condiciones del tiempo del vuelo en
aeronaves. Los sistemas meteorológicos son un campo de estudio muy
sofísticado.
Es por ello, que se plantea un modelo de predicción para la detección de
temperatura en la Ciudad de México, consierando las variabes necesarias para
las 16 alcaldías de la ciudad.

Se plantea el modelo de predicción denomindo Extreme Learning Machine

(ELM) del tipo SLNF (Single Layer Feedword Neural Network), que fue creado
por Huang y resuelve el problema de la velocidad en el proceso. La arquitectura
del modelo Extreme Learning Machine trabaja en redes monocapa hacia
adelante o de tipo feedforwad SLNFs.
 El ELM se basa en el concepto de que si los pesos de entrada y los
sesgos de la capa oculta de una SLFN son asignados al azar, la SLFN puede
ser considerada como un sistema lienal y los pesos de la salida se pueden
determinar analíticamente mediante la inversa generalizada.

El ELM en modo general consiste en una capa de entrada que recibe el

estímulo procedente del ambiente externo, una o más capas ocultas, y una
capa de salida que envía la salida al exterior.

DEARROLLO
Como ya se comentó anteriormente el modelo se define para las 16
alcaldías de la Ciudad de México, nos proporcionarán la información las
siguientes estaciones de monitoreo:

Clave Estación Alcaldía

MGH Miguel Hidalgo Miguel Hidalgo
MPA Milpa Alta Milpa Alta
MON Montecillo Texcoco
MCM Museo de la Cuauhtémoc
Ciudad de México

DATASET DE ENTRADA
El histórico de datos se tomará del período comprendido del 01 de enero
del 2021 al 31 de diciembre de 2021. Tomando datos de medición de cada hora
nos arroja 24 mediciones dirias de cada estación, teniendo como para las 4
estaciones un dataset de 35,040 mediciones.
VARIABLES
La variables tomadas en cuenta para la implementación de este modelo
son:
• Temperatura promedio.
• Viento.
• Radiación solar.
• Humedad
• Precipitación.
ARQUITECTURA DE DISEÑO
La arquitectura planteada es la siguiente:
Las variables de entrada serán sometidas al modelo, considerando:
1. Dataset de entrenamiento: 70% que corresponden a 24,528 mediciones.
2. Dataset de prueba: 30% que corresponen a 10,512 mediciones.

La red neuronal SLNF realizará el proceso en el orden siguiente:

§ Generar de forma aleatoria los parámetros de los nodos ocultos.
§ Calcular la matriz de salidad de la capa oculta.
§ Calcular los pesos de la capa de salida.

FUNCIÓN DE ACTIVACIÓN

La función de activación del modelo propuesto es : descenso por

gradiente, como por ejemplo Backpropagation para redes multicapas hacia
adelante. En este caso se usa los nodos ocultos de tipo aditivo, con la funcón de
acivación: (𝑥): 𝑅 → 𝑅 , como:

El diagrama de flujo de entrenamiento está representado acontinuación:

 DATASETS

Para la interpretación del dataset de entrenamiento se observará los

puntos de intersección medio de la temperatura y los valores calculados por el
modelo.
Para la interpretación del dataset de entrenamiento se observará los
puntos de intersección medio de la temperatura y los valores calculados por el
modelo.

El dataset de prueba generado ya con el modelo entrenado, se observa menos

dispersión en cuanto a las temepraturas definidas.

Una vez obtenido los resutados, se podrá tener información muy clara del
comportamiento del tiempo en las próximas horas, con una anticipación de una
semana con valores previstos cada hora.
CONCLUSIÓN
Es muy claro que la implementación del modelo extreme learning machine
ha favorecido para estudios en tiempo real de las condiciones del clima,
cumpliendo expectativas sobre otros modelos; y más aún con una arquitectura
de implementación muy simple. En este problema planteado para predecir las
temperaturas en la Ciudad de México, resulta importante la consideración de
todas las variables obtenidas por las 4 estaciones meteorológicas.
El modelo SNLF implementado tiene una eficiencia por arriba del 90% de
otros modelos. Con las siguientes fiabilidades.
§ Velocidad de aprendizaje del algoritmo alta.
§ Simplicidad en su entrenamiento.
§ Mayor generaliación, en la que al aumentar los datos de entrenamiento
hay mejores resultados.

BIBLIOGRAFÍA

• Keller, Jhon. (2021). Ciencia de Datos. USA: Ediciones UC.

• Ramírez, M. (2007). Introducción a la minería de datos. México: Prentice-
Hall.
• Riabani, F. (2015). Extreme Learning Machine. Researchgate.
Recuperado de: https://www.researchgate.net/publication/281919334
• Wilkinson, Cristopher (2020). Ciencia de Datos: Phyton. USA:
Independently Published.