En breve
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.
Contribución
Un modelo híbrido CNN1D, LSTM y transformador de grafos evaluado frente a alternativas temporales, convolucionales y basadas en grafos.
Resultado principal
La estructura explícita de grafo obtuvo la mejor precisión, con un RMSE de 0,0169 y un coeficiente de correlación de 0,9601.
Modelos y datos
Elementos distintivos
- CNN1D+LSTM+TransformerConv
- Transformer
- Madrid urban-noise observations
Citar este trabajo
BibTeX
@article{semper2025noise,
title = {Noise Pollution Prediction in a Densely Populated City Using a Spatio-Temporal Deep Learning Approach},
author = {Marc Semper and Manuel Curado and Jose Luis Oliver and Jose F. Vicent},
journal = {Applied Sciences},
year = {2025},
volume = {15},
number = {10},
eid = {5576},
doi = {10.3390/app15105576}
}Comprueba siempre el registro editorial antes de citar.