Identificación y predicción de patrones de contaminación sonora en las Smart Cities mediante el uso de técnicas de Ciencia de datos y tecnologías Big Data sobre datos acústicos.

Abstract

La gestión de la contaminación sonora en las ciudades es fundamental para mejorar el bienestar y la calidad de vida de los ciudadanos. La Directiva Europea 2002/49/CE establece un enfoque común para la evaluación y gestión del ruido ambiental, y para cumplir con este objetivo, los gobernantes de las ciudades están desarrollando estrategias de datos utilizando tecnologías de Internet de las cosas (IoT) y big data. Aunque las estadísticas básicas, como la media o la mediana, se utilizan para crear informes de rendimiento con los datos obtenidos en el mapa de ruido estratégico (SNM), el entorno acústico de un área es un fenómeno complejo que necesita ser caracterizado no solo por los niveles de ruido en el área, sino también por otras propiedades, como su comportamiento en diferentes períodos del día y su variación a largo plazo. Por lo tanto, el uso de técnicas de ciencia de datos podría ayudar a los consistorios a analizar los datos para aumentar el conocimiento sobre los entornos acústicos. En los últimos años, las grandes ciudades están desplegando redes de sensores acústicos inalámbricos (WASN) basadas en tecnologías IoT para realizar un monitoreo continuo de los parámetros acústicos ambientales en muchas ubicaciones. Estos datos pueden ser analizados y utilizados para actualizar los SNM y los planes de acción. Esta tesis se enfoca en el uso de tecnologías big data y ciencia de datos para mejorar la gestión de la contaminación acústica en las ciudades. Se ha desarrollado una metodología de análisis de entornos acústicos urbanos utilizando técnicas de aprendizaje automático no supervisado para identificar y clasificar diferentes patrones de comportamiento acústicos en la ciudad. Además, se establecen procedimientos basados en técnicas de aprendizaje federado que permiten la compartición del conocimiento de los datos sin necesidad de compartir los datos, mejorando así la identificación de patrones de comportamiento acústicos. También se evalúa la idoneidad de predecir el patrón acústico ambiental a largo plazo de una posición basada en información recopilada en un intervalo a corto plazo utilizando redes neuronales artificiales. En resumen, la tesis concluye que se pueden aplicar técnicas de ciencia de datos para identificar patrones complejos en la contaminación acústica y mejorar la gestión de esta.