IA espacio-temporal fiable
Métodos de evaluación y selección para sistemas de predicción que deben seguir siendo fiables ante datos ausentes, fallos de sensores, desalineación espacial y cambios en el despliegue.
Explorar el áreaInvestigador · Universidad de Alicante
Marc Semper LloretIA fiable para un mundo en movimiento.
Estudio cómo los sistemas de inteligencia artificial espacio-temporal pueden producir predicciones fiables cuando los sensores, los datos y las condiciones de despliegue son imperfectos.
IA espacio-temporalRedes neuronales de grafosPredicción ambientalEvaluación fiable
Perspectiva de investigación
Una predicción solo es útil si la decisión resiste la realidad.
Marc Semper Lloret es profesor asociado e investigador del Departamento de Ciencia de la Computación e Inteligencia Artificial de la Universidad de Alicante, y miembro del grupo ANVIDA.
Su trabajo conecta aprendizaje en grafos, observación ambiental y evaluación robusta para comprender si el modelo elegido sigue siendo defendible ante incertidumbre realista.
Conocer el programa de investigaciónÁreas de investigación
De las redes de sensores a las decisiones de despliegue.
Aprendizaje en grafos para sistemas de sensores
Redes neuronales de grafos que capturan relaciones entre sensores ambientales distribuidos, ciudades y mallas de observación global.
Explorar el áreaCalidad de datos ambientales
El efecto de los datos ausentes, la incertidumbre observacional, la agregación y las inconsistencias de medida sobre los modelos aprendidos y las decisiones resultantes.
Explorar el áreaPredicción ambiental
Métodos de IA para calidad del aire, aerosoles atmosféricos, concentraciones de gases de efecto invernadero, ruido urbano y otros fenómenos ambientales.
Explorar el áreaTrabajos seleccionados
Publicaciones recientes.
A practical decision-support system for robust post-training model selection in spatiotemporal forecasting
Knowledge-Based Systems, article 116673, 2026
Elegir el mejor modelo predictivo con un único conjunto de validación limpio puede producir una decisión frágil. Este trabajo comprueba si la elección sobrevive a cambios realistas en la referencia de evaluación y convierte el diagnóstico en una recomendación auditable.
Multi-Dataset Training for Improved Accuracy in Spatio-Temporal Problems: An Explainable Analysis
Mathematics, vol. 14, no. 5, article 908, 2026
Este estudio analiza si un modelo de predicción en grafos puede aprender mejores representaciones de nodos entrenando con varios conjuntos relacionados en lugar de comenzar desde cero en cada uno.
Global forecasting of aerosol optical depth through a deep learning spatiotemporal modeling
International Journal of Environmental Science and Technology, vol. 23, no. 1, article 69, 2026
El trabajo modela la evolución de los aerosoles atmosféricos combinando un grafo global de observaciones con patrones temporales a varias escalas.
Noise Pollution Prediction in a Densely Populated City Using a Spatio-Temporal Deep Learning Approach
Applied Sciences, vol. 15, no. 10, article 5576, 2025
El ruido urbano tiene un ritmo temporal y una estructura espacial. El estudio compara métodos de aprendizaje profundo que representan explícitamente ambas dimensiones en Madrid.
Global forecasting of carbon concentration through a deep learning spatiotemporal modeling
Journal of Environmental Management, vol. 371, article 122922, 2024
Esta investigación evalúa estrategias de aprendizaje profundo para predecir concentraciones globales de dióxido de carbono y metano a seis meses usando datos satelitales y ambientales.
Colaboración
Investigación conectada con problemas ambientales reales.
Interés en datos ambientales a gran escala, calidad de redes de sensores, predicción basada en grafos y robustez ante cambios de distribución.
Contactar