Predicción de tendencias térmicas en edificios inteligentes mediante aprendizaje automático: estudio de caso
DOI:
https://doi.org/10.69821/REMUVAC.v3i1.299Palabras clave:
Clima inteligente, Domótica, IoT, Aprendizaje Automático, Predicción térmicaResumen
Este trabajo aborda la necesidad de anticipar con precisión las variaciones de temperatura exterior para automatizar respuestas en hogares inteligentes. El estudio se desarrolló en el campus de la Universidad Popular del Cesar, Seccional Aguachica, utilizando sensores IoT para recolectar datos meteorológicos en tiempo real. Se formuló un problema de clasificación multiclase para predecir la tendencia térmica (sube, baja o igual) en intervalos de 30 minutos. Se evaluaron modelos de aprendizaje automático como Random Forest, XGBoost y LSTM, siendo Random Forest el de mejor desempeño en métricas como precisión, recall y F1-score. Los hallazgos confirman la viabilidad de integrar estos modelos en sistemas domóticos para generar respuestas automatizadas eficientes, aportando una ruta metodológica replicable para la inteligencia climática en edificaciones inteligentes.
Descargas
Referencias
Baïna, K. (2020). Leveraging Data Preparation, HBase NoSQL Storage, and HiveQL Querying for COVID-19 Big Data Analytics Projects. https://arxiv.org/abs/2004.00253
Balduino, G. V., & Valente, F. J. (2025). Implementation of IoT Data Fusion Architectures for Precipitation Forecasting. Preprints. https://doi.org/10.20944/preprints202504.0785.v1
Billanes, J. D., Ma, Z. G., & Jørgensen, B. N. (2025). Data-Driven Technologies for Energy Optimization in Smart Buildings: A Scoping Review. Energies, 18(2). https://doi.org/10.3390/en18020290
Das, S. K., & Nayak, P. (2024). Integration of IoT- AI powered local weather forecasting: A Game-Changer for Agriculture. https://arxiv.org/pdf/2501.14754
de Burgh-Day, C. O., & Leeuwenburg, T. (2023). Machine learning for numerical weather and climate modelling: a review. Geoscientific Model Development, 16(22), 6433-6477. https://doi.org/10.5194/gmd-16-6433-2023
El Husseini, F., Noura, H. N., Salman, O., & Chahine, K. (2025). Machine Learning in Smart Buildings: A Review of Methods, Challenges, and Future Trends. Applied Sciences, 15(14). https://doi.org/10.3390/app15147682
Grotentraast, J. (2024). Adapted CRISP-DM approach for recommendation system development for most suitable open-source ETL tool [University of Twente]. https://essay.utwente.nl/104732/1/Grotentraast_MA_EEMCS.pdf
Guo, G., Liu, P., & Zheng, Y. (2024). Early energy performance analysis of smart buildings by consolidated artificial neural network paradigms. Heliyon, 10(4), e25848. https://doi.org/https://doi.org/10.1016/j.heliyon.2024.e25848
Hannula, E., Häkkinen, A., Solonen, A., Uribe, F., de Wiljes, J., & Roininen, L. (2025). Partially stochastic deep learning with uncertainty quantification for model predictive heating control. https://arxiv.org/pdf/2504.03350
İşler, B., Kaya, Ş. M., & Kılıç, F. R. (2025). Fog-Enabled Machine Learning Approaches for Weather Prediction in IoT Systems: A Case Study. Sensors, 25(13). https://doi.org/10.3390/s25134070
Khosravi, Y., Ouarda, T. B. M. J., & Homayouni, S. (2025). Developing an ensemble machine learning framework for enhanced climate projections using CMIP6 data in the Middle East. npj Climate and Atmospheric Science, 8(1), 174. https://doi.org/10.1038/s41612-025-01033-9
Le, C. N., Stojcevski, S., Dinh, T. N., Vinayagam, A., Stojcevski, A., & Chandran, J. (2025). Bayesian Optimized of CNN-M-LSTM for Thermal Comfort Prediction and Load Forecasting in Commercial Buildings. Designs, 9(3). https://doi.org/10.3390/designs9030069
Ma, Z., Jørgensen, B. N., & Ma, Z. G. (2025). DataPro: A Standardized Data Understanding and Processing Procedure—A Case Study of an Eco-Driving Project. arXiv preprint arXiv:2501.12176. https://arxiv.org/abs/2501.12176
Martínez, F., Contreras-Ochando, L., Ferri, C., Hernández-Orallo, J., Kull, M., Lachiche, N., Ramírez-Quintana, M. J., & Flach, P. (2021). CRISP-DM Twenty Years Later: From Data Mining Processes to Data Science Trajectories. IEEE Transactions on Knowledge and Data Engineering, 33(8), 3048-3061. https://doi.org/10.1109/TKDE.2019.2962680
Milà, C., Ludwig, M., Pebesma, E., Tonne, C., & Meyer, H. (2024). Random forests with spatial proxies for environmental modelling: opportunities and pitfalls. Geoscientific Model Development, 17(15), 6007-6033. https://doi.org/10.5194/gmd-17-6007-2024
Molina, M. J., O’Brien, T. A., Anderson, G., Ashfaq, M., Bennett, K. E., Collins, W. D., Dagon, K., Restrepo, J. M., & Ullrich, P. A. (2023). A Review of Recent and Emerging Machine Learning Applications for Climate Variability and Weather Phenomena. Artificial Intelligence for the Earth Systems, 2(4), 220086. https://doi.org/10.1175/AIES-D-22-0086.1
Plotnikova, V., Dumas, M., & Milani, F. P. (2022). Applying the CRISP-DM data mining process in the financial services industry: Elicitation of adaptation requirements. Data & Knowledge Engineering, 139, 102013. https://doi.org/https://doi.org/10.1016/j.datak.2022.102013
Sari, M., Ali Berawi, M., Zagloel, T. Y., Madyaningarum, N., Miraj, P., Pranoto, A. R., Susantono, B., & Woodhead, R. (2023). Machine learning-based energy use prediction for the smart building energy management system. ITcon Vol. 28, Special issue The future of construction in the context of digital transformation (CONVR 2022), pg. 622-645, http://www.itcon.org/2023/33, 28(33), 622-645. https://doi.org/10.36680/J.ITCON.2023.033
Schröer, C., Kruse, F., & Gómez, J. M. (2021). A Systematic Literature Review on Applying CRISP-DM Process Model. Procedia Computer Science, 181, 526-534. https://doi.org/https://doi.org/10.1016/j.procs.2021.01.199
Shearer, C. (2000). The CRISP-DM Model: The New Blueprint for Data Mining. Journal of Data Warehousing, 5(4), 13-22. https://mineracaodedados.files.wordpress.com/2012/04/the-crisp-dm-model-the-new-blueprint-for-data-mining-shearer-colin.pdf
Shimaoka, A., Ferreira, R., & Goldman, A. (2024). The evolution of CRISP-DM for Data Science: Methods, Processes and Frameworks. 4, 28-43. https://doi.org/10.5753/reviews.2024.3757
Studer, S., Bui, T. B., Drescher, C., Hanuschkin, A., Winkler, L., Peters, S., & Müller, K. R. (2020). Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology. Machine Learning and Knowledge Extraction, 3(2), 392-413. https://doi.org/10.3390/make3020020
Suryadevara, N. K., & Mukhopadhyay, S. C. (2015). Smart Homes: Design, Implementation and Issues. Springer. https://doi.org/10.1007/978-3-319-01904-8
Wesselkamp, M., Chantry, M., Pinnington, E., Choulga, M., Boussetta, S., Kalweit, M., Bödecker, J., Dormann, C. F., Pappenberger, F., & Balsamo, G. (2025). Advances in land surface forecasting: a comparison of LSTM, gradient boosting, and feed-forward neural networks as prognostic state emulators in a case study with ecLand. Geoscientific Model Development, 18(4), 921-937. https://doi.org/10.5194/gmd-18-921-2025
Yang, R., Hu, J., Li, Z., Mu, J., Yu, T., Xia, J., Li, X., Dasgupta, A., & Xiong, H. (2024). Interpretable machine learning for weather and climate prediction: A review. Atmospheric Environment, 338, 120797. https://doi.org/https://doi.org/10.1016/j.atmosenv.2024.120797
Zanchi, M., Zapperi, S., & La Porta, C. A. M. (2023). Harnessing deep learning to forecast local microclimate using global climate data. Scientific Reports, 13(1), 21062. https://doi.org/10.1038/s41598-023-48028-1
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Carlos Alberto Mejía Rodriguez, Lina Marcela Arévalo Vergel, Leidy Ximena Cortés Velásquez, Edgardo Lozano Niz
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Voces de América y el Caribe se adherida a la licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0. Bajo esta licencia, otros pueden remezclar, retocar y crear a partir de su trabajo con fines no comerciales, siempre y cuando le atribuyan el crédito de la creación original. Sus nuevas obras deben estar bajo una licencia idéntica a la que cubre la obra original. Para más detalles sobre esta licencia, visite https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es.
Al publicar en nuestra revista, los autores aceptan estas condiciones donde otros pueden compartir, uso y adaptar su trabajo, siempre que se realice sin fines comerciales y se otorgue el crédito correspondiente a la obra publicada originalmente en Voces de América y el Caribe
