AQI personalizado para Madrid
Proyecto ganador del Premio al Mejor Proyecto de Data Science, centrado en construir un AQI más útil y contextualizado para Madrid integrando contaminación, meteorología, tráfico y eventos, más allá del enfoque habitual de los índices públicos europeos.
Premio
Mejor Proyecto de Data Science de la promoción.
Innovación
Efecto frontera entre ZBE, eventos y AQI contextualizado.
Resultado
XGBoost global con R² de 0.89 y hallazgo del efecto frontera entre ZBE.
El reto
En la práctica, la mayoría de los índices públicos de calidad del aire en Europa siguen centrados en los contaminantes y, como mucho, en algunas variables meteorológicas, pero apenas contextualizan qué está ocurriendo realmente en la ciudad.
El reto era construir una lectura más útil para anticipar y entender la calidad del aire incorporando señales que normalmente se analizan por separado o directamente no se incluyen: tráfico, meteorología, eventos y diferencias entre zonas de bajas emisiones.
Qué hicimos
- Desarrollamos junto a compañeras de proyecto un pipeline end-to-end capaz de integrar datos de contaminación, tráfico, meteorología y eventos especiales de Madrid.
- Dentro del trabajo conjunto, contribuí especialmente al enfoque de innovación del proyecto, explorando cómo las ZBE, los eventos y los desplazamientos de tráfico entre zonas podían generar una lectura más útil para la toma de decisiones que la ofrecida por los índices estándar.
- Ese trabajo dio lugar a una variable propia para analizar el efecto frontera entre zonas de bajas emisiones y entender cómo la restricción del tráfico en una zona puede desplazarlo hacia las zonas vecinas.
- También incorporamos eventos especiales como conciertos, partidos o manifestaciones para explicar mejor comportamientos atípicos del tráfico y de la contaminación que los modelos convencionales suelen tratar como ruido.
- Entrenamos y comparamos distintos modelos de Machine Learning hasta llegar a una solución robusta y más precisa, tanto a nivel global como por zonas geográficas.
Impacto
El proyecto fue reconocido como Mejor Proyecto de Data Science de la promoción y demostró que una visión más contextualizada del AQI puede mejorar la capacidad de análisis frente a los índices estándar usados habitualmente.
El modelo XGBoost alcanzó un R² de 0.89 a nivel global y permitió detectar con más claridad patrones como el desplazamiento del tráfico hacia zonas adyacentes tras la activación de las ZBE, así como outliers asociados a eventos puntuales.
El análisis completo y el desarrollo del proyecto pueden consultarse en el repositorio publicado en GitHub.
Explorar repositorioAprendizaje
Este proyecto reforzó una idea que hoy aplico también en producto: cuando redefinimos mejor el problema e incorporamos señales que otros modelos no están mirando, podemos construir soluciones más innovadoras y con mayor capacidad para apoyar decisiones reales.