Multi-Dataset Training for Improved Accuracy in Spatio-Temporal Problems: An Explainable Analysis
Mathematics, vol. 14, no. 5, article 908, 2026
← Programa de investigación
02
Área de investigación
Aprendizaje en grafos para sistemas de sensores
Redes neuronales de grafos que capturan relaciones entre sensores ambientales distribuidos, ciudades y mallas de observación global.
Planteamiento
El problema de investigación.
Las observaciones ambientales están conectadas por la geografía, los procesos de transporte y el contexto compartido. El aprendizaje en grafos hace explícitas esas relaciones, desde estaciones locales hasta mallas globales, y las combina con modelos temporales que representan la evolución de las señales.
Preguntas de investigación
Preguntas que orientan esta área.
- 01
¿Qué estructura de grafo captura dependencias ambientales locales y de largo alcance?
- 02
¿Cómo pueden transferirse las representaciones de nodos entre redes de sensores relacionadas?
- 03
¿Qué componentes espaciales y temporales explican una mejora observada?
Métodos, sistemas y fuentes
Elementos concretos de investigación.
- GraphSAGE
- Spectral learning
- Message passing
- Graph transformers
- Graph neural networks
- Sensor networks
- Forecasting
Evidencia
Publicaciones de esta área.
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
Spatio-temporal graph neural network for inter-city air quality forecasting
International Journal of Environmental Science and Technology, vol. 23, no. 1, article 63, 2026
Noise Pollution Prediction in a Densely Populated City Using a Spatio-Temporal Deep Learning Approach
Applied Sciences, vol. 15, no. 10, article 5576, 2025
Global forecasting of carbon concentration through a deep learning spatiotemporal modeling
Journal of Environmental Management, vol. 371, article 122922, 2024