En breve
La contaminación acústica en grandes urbes combina ritmos temporales marcados por la actividad humana con dependencias espaciales fijadas por la morfología y el trazado de la ciudad. Una arquitectura híbrida que une convoluciones temporales 1D, memoria recurrente LSTM y capas de transformadores de grafos (CNN1D+LSTM+TransformerConv) alcanza una alta precisión predictiva sobre la red de sensores de 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
Modelos y métodos
- CNN1D+LSTM+TransformerConv
- Transformer
Datos y evaluación
- Madrid urban-noise observations
Resumen del autor
Resumen del artículo
Urban noise varies across both time and the structure of a city. Using Madrid as a case study, this research compares convolutional, recurrent and graph-based deep-learning approaches for noise prediction. The models test complementary ways of representing local patterns, longer temporal dependencies and relationships between observation locations. The hybrid CNN1D+LSTM+TransformerConv architecture produces the strongest result, with an RMSE of 0.0169 and a correlation coefficient of 0.9601. Its error is 5.1% lower than that of the second-best evaluated model. The comparison provides evidence that an explicit graph representation adds useful spatial information to temporal sequence modelling for urban-noise forecasting.
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 para verificar los datos finales de volumen y páginas antes de citar.