Productos
Medir la calidad del aire interior (IAQ) nos permite ver cómo está un espacio ahora mismo. Sin embargo, cuando se produce un pico elevado de CO₂, la decisión llega tarde. Los ocupantes ya han estado expuestos, y ventilar de golpe podría implicar un coste energético que podría haberse evitado.
De ahí el interés por anticipar. Si somos capaces de saber que dentro de dos horas una sala va a alcanzar niveles elevados, la conversación cambia por completo. Es posible ajustar la ventilación antes del pico, repartir el esfuerzo del sistema de climatización a lo largo del tiempo y mantener el espacio en condiciones saludables sin sobreventilar.
El problema es que, hasta hace poco, la literatura científica ofrecía muy pocas guías metodológicas para abordar esto en el contexto de la IAQ (la mayoría de estudios hasta la fecha se enfocaban mayoritariamente a la calidad de aire exterior). Muchos estudios se limitaban a un único edificio, a periodos de medición cortos, o comparaban modelos sin criterios homogéneos. Y casi ninguno respondía a la pregunta más práctica de todas: ¿qué metodología de predicción de CO₂ debo utilizar?
En un primer trabajo publicado en la revista Sensors abordamos precisamente ese vacío, centrándonos en un entorno muy sensible: las aulas escolares. Se monitorizó el CO₂ en quince colegios del área metropolitana de Pamplona con dispositivos MICA, y se compararon distintas estrategias de predicción a varios horizontes temporales, desde 10 minutos hasta 4 horas.
La conclusión más interesante no fue "este modelo es el mejor", sino algo bastante menos intuitivo: la respuesta depende de cuánto quieras anticiparte. A muy corto plazo, los modelos más simples resultan difíciles de batir. El CO₂ evoluciona de forma gradual, así que asumir que dentro de diez minutos habrá aproximadamente lo mismo que ahora es, sencillamente, una buena predicción. A medida que el horizonte se alarga, esa lógica se rompe. Es ahí donde los modelos de machine learning empiezan a tener sentido, porque aprenden los patrones de la propia serie de datos y su precisión se degrada mucho más suavemente. El problema se vuelve más complejo, y el machine learning es capaz de explotar su potencial aprendiendo patrones más complejos.
Y precisamente los horizontes largos son los operativamente valiosos: cuanto antes sepas lo que va a pasar, más margen tienes para actuar. En definitiva, predecir no es un problema con una única solución, sino que es un problema que depende del margen de reacción que necesites.
Un aula es un entorno relativamente ordenado; horarios definidos, grupos estables, un patrón semanal reconocible. La duda razonable era si esas conclusiones se sostienen fuera de ese contexto.
Porque el CO₂ interior lo domina, sobre todo, la ocupación. Cuántas personas hay, cuándo entran, cuánto tiempo se quedan y cómo se ventila mientras están dentro. Y eso cambia radicalmente según el uso al que esté orientado el espacio. Un hospital no se parece en nada a una sala de reuniones, ni una oficina a un mercado de alimentación.
Responder a esa pregunta es justo lo que hicimos en el estudio publicado en la revista Forecasting, que la revista ha destacado en el banner principal de su portada por la relevancia que está teniendo. Se analizaron 18 semanas consecutivas de datos reales de 16 dispositivos MICA repartidos en seis tipos de espacio, en Noruega y Barcelona, dentro del marco del proyecto europeo K-HEALTHinAIR.
Esos seis casos de uso se agrupan, a efectos de predicción, en tres formas muy distintas de comportarse. Hay espacios de ocupación puntual y sin horario, como las salas de reuniones y plenos o las residencias de estudiantes: largos periodos en valores de fondo interrumpidos por episodios que no siguen ningún patrón reconocible, sean picos bruscos que aparecen y desaparecen en minutos o acumulaciones lentas que dependen de si alguien abre la ventana. Hay espacios de ocupación cíclica y reconocible, como oficinas, comedores y mercados de alimentación, donde existe un ritmo diario y semanal que se repite —la hora de comer, el horario laboral, el sábado de mercado— aunque la intensidad varíe de un día a otro. Y hay espacios de ocupación continua, como los hospitales, con concentraciones altas y sostenidas las 24 horas, donde manda más la ventilación mecánica que las personas: en el hospital analizado, el CO₂ subía de noche, cuando se reducía el caudal, y bajaba de día.
Tres dinámicas muy distintas, y ninguna razón de partida para esperar que un mismo modelo funcione igual de bien en las tres.
Cuando se comparan once modelos distintos sobre estos seis escenarios, el patrón que aparece es claro y, para la práctica, muy útil: la mejor estrategia depende del tipo de espacio.
En los espacios con ocupación esporádica (salas de reuniones, residencias), los modelos simples aguantan bien e incluso ganan a alternativas mucho más complejas. Desplegar arquitecturas sofisticadas ahí es gastar recursos de cálculo sin obtener nada a cambio. En este tipo de espacios, es necesaria una vía de investigación específica que aborde la predicción en casos de uso en el que la ocupación sea puntual.
En los espacios con patrones cíclicos (oficinas, comedores, mercados), la historia es la contraria. Hay estructura temporal suficiente para aprender, y el machine learning —especialmente las combinaciones de varios modelos denominados Ensembles— mejora de forma consistente a los métodos simples en horizontes de 2 y 4 horas.
El hospital resultó ser el caso más difícil para todos los modelos sin excepción. La ocupación continua y la ventilación mecánica hacen que el histórico de CO₂, por sí solo, no baste. Aquí haría falta incorporar información externa, tales como horarios de climatización, recuentos de ocupación o condiciones exteriores que puedan aportar más información al modelo, ya que la serie temporal de CO₂ por sí sola no es representativa.
Lo que sí queda claro es que, cuando la ocupación genera patrones complejos pero reconocibles, el machine learning es una buena solución. Pero el modelo concreto cambia de un caso de uso a otro. Antes de desplegar una solución predictiva, hay que mirar cómo se comporta el espacio.
Aquí es donde el estudio entra en terreno realmente nuevo.
En los últimos años han aparecido los llamados modelos fundacionales. Modelos entrenados sobre corpus enormes de datos que, en lugar de aprender una tarea concreta, aprenden a generalizar. Son primos cercanos de los LLM que hoy se usan para escribir código o construir agentes; comparten arquitectura, pero en este caso están preentrenados sobre millones de series temporales numéricas en lugar de texto.
La idea es potente: ¿podría un modelo que nunca ha visto tu edificio predecir el CO₂ de tu edificio?
Los resultados apuntan a que sí, y en dos niveles:
Este segundo punto es el más relevante desde el punto de vista operativo. Un sensor recién instalado no tiene histórico, y hasta ahora eso significaba esperar semanas o meses antes de poder predecir nada. Con un modelo fundacional se puede disponer de una predicción competente desde el primer día, y migrar más adelante a un modelo ajustado localmente cuando ya haya datos suficientes.
Para desplegar predicción en entornos reales, dejar de depender de meses de histórico por cada nuevo espacio cambia las reglas del juego.
La monitorización nos dijo cómo está el aire. La predicción nos dice hacia dónde va. El paso de una a otra es lo que convierte los datos de calidad del aire en una herramienta de gestión y no solo en un indicador.
Estos dos estudios aportan algo concreto a ese camino. Un marco metodológico reproducible, evidencia sobre qué conclusiones se pueden extrapolar de un tipo de espacio a otro y cuáles no, y una primera evaluación seria de los modelos fundacionales en este ámbito. También dejan abiertas las siguientes preguntas, en las que ya estamos trabajando: ¿puede un modelo entrenado en una oficina servir para otra oficina? ¿O incluso para un comedor con patrones parecidos? Si la respuesta es sí, el cuello de botella de los datos históricos desaparece.
Mientras tanto, la conclusión más honesta del trabajo es también la más útil. No hay atajos universales, pero sí hay un criterio claro para elegir bien. En resumen, todo esto traducido a decisiones prácticas es:
