Predicción ambiental optimizada en edificios inteligentes mediante el algoritmo Dynamic Greylag Goose y aprendizaje profundo

Edificios más inteligentes para el confort cotidiano

Imagine vivir o trabajar en un edificio que se ajusta silenciosamente: mantiene el aire fresco, la temperatura agradable y la iluminación correcta, sin desperdiciar energía. A medida que más edificios se llenan de sensores conectados a Internet, recopilan enormes cantidades de datos sobre las condiciones interiores. Este artículo explora cómo convertir ese aluvión de información en predicciones precisas sobre cómo será el ambiente interior en los próximos minutos u horas, de modo que los sistemas de calefacción, refrigeración, iluminación y ventilación puedan actuar con antelación en lugar de reaccionar demasiado tarde.

Por qué es difícil predecir las condiciones interiores

Los edificios inteligentes modernos usan muchos sensores para registrar temperatura, humedad, luz, calidad del aire y ruido las 24 horas. Estas señales cambian con el tiempo de maneras complejas: las mañanas difieren de las noches, los días laborables de los fines de semana, y eventos súbitos—como abrir una ventana o que una multitud entre en una sala—pueden provocar saltos bruscos. Debido a la gran cantidad de sensores, los datos son de alta dimensión y a menudo ruidosos. Los modelos simples tienen dificultades para capturar estos patrones, lo que conduce a pronósticos inexactos y a un control ineficiente de los sistemas de climatización. El desafío es cribar estos datos complejos, conservar solo las señales más informativas y aprender cómo evolucionan en el tiempo.

Un sistema de aprendizaje inspirado en los bandos de aves

Los autores proponen un marco de predicción inteligente que combina dos ideas: un modelo de aprendizaje profundo llamado Long Short-Term Memory (LSTM) y un optimizador inspirado en la naturaleza modelado a partir del comportamiento de los gansos comunes (greylag geese). Las redes LSTM son especialmente buenas para aprender de secuencias, por lo que se adaptan bien a datos de sensores con marcas temporales. El algoritmo Dynamic Greylag Goose Optimization (DGGO) imita cómo las bandadas exploran grandes áreas y gradualmente se orientan hacia rutas favorables. En el marco, “gansos” virtuales exploran distintas opciones sobre qué características de los sensores conservar y cómo configurar los parámetros internos del LSTM. Con el tiempo, su patrón de búsqueda pasa de una exploración amplia a un ajuste fino, lo que ayuda al sistema a evitar quedar atrapado en soluciones pobres.

Elegir las señales adecuadas y afinar la red

Un paso clave es la selección de características: decidir qué piezas de información de los sensores realmente ayudan a la predicción. Los investigadores convierten cada subconjunto posible de características en un patrón simple de encendido/apagado y dejan que una versión binaria del DGGO explore esos patrones. Tiende a seleccionar combinaciones que resumen tanto el nivel como la tendencia reciente de las variables interiores, así como sus relaciones mutuas—por ejemplo la relación entre temperatura y humedad o promedios móviles que suavizan picos momentáneos. Tras esta etapa de poda, se usa DGGO de nuevo para afinar la estructura del LSTM y los parámetros de entrenamiento, como cuántas unidades usar en cada capa y la velocidad de aprendizaje. Esta optimización en dos etapas busca producir un modelo compacto, rápido y preciso adaptado a los datos del edificio.

Rendimiento del sistema

El equipo probó su enfoque con un conjunto de datos público recogido en un edificio inteligente equipado con sensores de temperatura, humedad, luz, calidad del aire y sonido. Compararon su modelo LSTM ajustado por DGGO con varias alternativas, incluidas otras técnicas de optimización que imitan lobos, ballenas o una estrategia de gansos más simple. La combinación DGGO-LSTM obtuvo el error de predicción más bajo y la mayor puntuación de eficiencia entre todas las configuraciones probadas. Redujo la medida de error principal en aproximadamente un 17–37 % frente a los métodos más cercanos y funcionó cerca de un 42 % más rápido que uno de los optimizadores competidores. Comprobaciones cruzadas como divisiones repetidas de entrenamiento/prueba, análisis de las diferencias entre rendimiento en entrenamiento y validación y pruebas en un conjunto de datos industrial de IoT completamente distinto sugieren que las ganancias son genuinas y no solo un sobreajuste a un caso particular.

Qué significa esto para la vida cotidiana

Para los no especialistas, la conclusión es clara: al elegir cuidadosamente qué lecturas de sensores importan y usar una estrategia de optimización inspirada en bandadas de aves para afinar un modelo de aprendizaje profundo, los edificios pueden «ver el futuro cercano» de su ambiente interior. Eso permite que los sistemas de control ajusten calefacción, refrigeración y ventilación antes de que las condiciones salgan del rango de confort, evitando un uso innecesario de energía. El resultado es un camino hacia edificios más inteligentes y sostenibles que mantienen silenciosamente a los ocupantes cómodos y saludables, respaldados por un motor predictivo que sigue siendo preciso, eficiente y adaptable a medida que las redes de sensores y el volumen de datos continúan creciendo.

Cita: Kenawy, S., Alhussan, A.A., Khafaga, D.S. et al. Optimized environmental prediction in smart buildings using Dynamic Greylag Goose algorithm and deep learning. Sci Rep 16, 10769 (2026). https://doi.org/10.1038/s41598-026-41343-3

Palabras clave: edificios inteligentes, predicción ambiental, datos de sensores IoT, aprendizaje profundo, algoritmos de optimización