Admisión abierta 2026-2027Rellenar solicitud

Diplomado en Modelos Predictivos Geo-Temporales

Diplomado online de 800 h: 8 módulos y 80 submódulos, de «Dependencia espacial y temporal» a «Proyecto de modelo geo-temporal», pasando por «Predicción de eventos y trayectorias».

Mapa del programa · pulsa un módulo
Módulo 1 · Dependencia espacial y temporal
800 hDuración total
8Módulos
80Submódulos
OnlineModalidad

Competencias y resultados

6 bloques de competencia, sacados de los módulos de este programa. Pulsa cualquiera y ves qué vas a saber hacer.

Dependencia espacial y temporal

Saldrás manejando funciones de autocorrelación espaciotemporal, estacionariedad y anisotropía y matrices de pesos espaciales. Es lo que se trabaja en «Dependencia espacial y temporal», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Modelos estadísticos clásicos

Saldrás manejando modelos ARIMA y SARIMA, modelos espaciales autorregresivos SAR y CAR y kriging universal y espaciotemporal. Es lo que se trabaja en «Modelos estadísticos clásicos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Aprendizaje automático geoespacial

Saldrás manejando ingeniería de variables espaciales, lags espaciales y temporales y random forest y gradient boosting espaciales. Es lo que se trabaja en «Aprendizaje automático geoespacial», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Predicción de eventos y trayectorias

Saldrás manejando procesos puntuales de Hawkes, predicción de ocurrencias en celdas y predicción del próximo destino. Es lo que se trabaja en «Predicción de eventos y trayectorias», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Evaluación e incertidumbre

Saldrás manejando métricas MAE, RMSE y MAPE espaciales, CRPS y puntuación de intervalos y validación fuera de muestra temporal. Es lo que se trabaja en «Evaluación e incertidumbre», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Despliegue y operación

Saldrás manejando pipelines con xarray y Dask, almacenamiento Zarr y Cloud Optimized GeoTIFF y servicio de predicciones como API. Es lo que se trabaja en «Despliegue y operación», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Objetivos de aprendizaje

  • 01Caracterizar la dependencia espacial y temporal de los datos.
  • 02Ajustar modelos estadísticos espaciotemporales clásicos.
  • 03Aplicar aprendizaje automático con validación espacial adecuada.
  • 04Entrenar modelos profundos sobre grafos y campos ráster.
  • 05Predecir eventos y trayectorias con modelos específicos.
  • 06Evaluar predicciones y cuantificar su incertidumbre.
  • 07Desplegar y mantener modelos geo-temporales en producción.

Plan de estudios

8 módulos, 80 submódulos, 800 h. Elige un módulo y ves su contenido completo.

1 de 8 módulos abiertos
Módulo 1 de 8 · 10 submódulos

Dependencia espacial y temporal

1.1Funciones de autocorrelación espaciotemporal
1.2Estacionariedad y anisotropía
1.3Matrices de pesos espaciales
1.4Variogramas y covariogramas
1.5Componentes de tendencia y estacionalidad
1.6Datos de área, puntos y campos
1.7Coberturas según ISO 19123
1.8Formato netCDF y convenciones CF
1.9Validación cruzada espacial y temporal
1.10Taller: variograma espaciotemporal de datos de contaminación
Módulo 2 de 8 · 10 submódulos

Modelos estadísticos clásicos

2.1Modelos ARIMA y SARIMA
2.2Modelos espaciales autorregresivos SAR y CAR
2.3Kriging universal y espaciotemporal
2.4Modelos STARIMA de series espaciales
2.5Modelos lineales generalizados mixtos
2.6Modelos aditivos generalizados
2.7Modelos bayesianos jerárquicos con INLA
2.8Selección de modelos e información
2.9Diagnóstico de residuos
2.10Laboratorio: kriging espaciotemporal con gstat
Módulo 3 de 8 · 10 submódulos

Aprendizaje automático geoespacial

3.1Ingeniería de variables espaciales
3.2Lags espaciales y temporales
3.3Random forest y gradient boosting espaciales
3.4Validación por bloques espaciales
3.5Interpretabilidad con SHAP espacial
3.6Datos de satélite como predictores
3.7Imputación de datos faltantes
3.8Desbalance en eventos raros
3.9Transferencia entre regiones
3.10Laboratorio: predicción de demanda con LightGBM y validación por bloques
Módulo 4 de 8 · 10 submódulos

Aprendizaje profundo espaciotemporal

4.1Redes recurrentes LSTM y GRU
4.2ConvLSTM para campos ráster
4.3Redes de grafos espaciotemporales
4.4Modelos STGCN y DCRNN
4.5Transformers para series espaciales
4.6Modelos fundacionales geoespaciales
4.7Predicción probabilística con redes profundas
4.8Entrenamiento con grandes volúmenes
4.9Comparación con modelos clásicos
4.10Laboratorio: predicción de tráfico con un STGCN
Módulo 5 de 8 · 10 submódulos

Predicción de eventos y trayectorias

5.1Procesos puntuales de Hawkes
5.2Predicción de ocurrencias en celdas
5.3Predicción del próximo destino
5.4Modelos de movimiento de flotas
5.5Predicción de llegadas ETA
5.6Riesgos de bucles de realimentación
5.7Calibración de probabilidades
5.8Métricas de detección temprana
5.9Evaluación prospectiva en tiempo real
5.10Práctica: modelo de Hawkes para averías en red
Módulo 6 de 8 · 10 submódulos

Evaluación e incertidumbre

6.1Métricas MAE, RMSE y MAPE espaciales
6.2CRPS y puntuación de intervalos
6.3Validación fuera de muestra temporal
6.4Mapas de error e incertidumbre
6.5Conformal prediction espacial
6.6Sesgos por cobertura de sensores
6.7Comparación con modelos de referencia
6.8Robustez ante cambios de régimen
6.9Comunicación de incertidumbre en mapas
6.10Caso práctico: evaluación de un modelo de calidad del aire
Módulo 7 de 8 · 10 submódulos

Despliegue y operación

7.1Pipelines con xarray y Dask
7.2Almacenamiento Zarr y Cloud Optimized GeoTIFF
7.3Servicio de predicciones como API
7.4Actualización y reentrenamiento
7.5Monitorización de deriva espacial
7.6Integración con GIS corporativos
7.7Gobernanza de modelos
7.8Normativa de datos abiertos
7.9Ética en predicciones territoriales
7.10Caso práctico: predicción operativa de demanda energética por zona
Módulo 8 de 8 · 10 submódulos

Proyecto de modelo geo-temporal

8.1Definición del problema y escala
8.2Integración de fuentes de datos
8.3Análisis exploratorio espaciotemporal
8.4Modelo estadístico de referencia
8.5Modelo de aprendizaje automático
8.6Evaluación con validación espacial
8.7Cuantificación de incertidumbre
8.8Plan de despliegue operativo
8.9Memoria y presentación
8.10Revisión final con el tutor

¿Cuánto me va a llevar?

Mueve las horas que puedes dedicar cada semana y calculamos tu ritmo sobre las 800 h del programa.

—meses a ese ritmo
—semanas por módulo
—frente a los 800 horas · 6 a 8 meses previstos

¿Qué nivel tienes ya?

Cinco conceptos del propio temario. Marca lo que ya controlas y te decimos si te conviene el curso, el diplomado o el máster.

Taller: variograma espaciotemporal de datos de contaminación
Módulo 1 · Dependencia espacial y temporal
Modelos bayesianos jerárquicos con INLA
Módulo 2 · Modelos estadísticos clásicos
Validación por bloques espaciales
Módulo 3 · Aprendizaje automático geoespacial
Redes recurrentes LSTM y GRU
Módulo 4 · Aprendizaje profundo espaciotemporal
Métricas de detección temprana
Módulo 5 · Predicción de eventos y trayectorias

Marca los cinco conceptos y te damos tu resultado.

Normas y estándares que vas a manejar

ISO 19123-1:2023ISO 19108:2002ISO 19115-1:2014ISO 19111:2019Convenciones CF para netCDFDirectiva 2007/2/CE (INSPIRE)ISO/IEC 23053:2022

Cuerpo docente y expertos

Este programa se imparte en el área de Data, IA, Simulación & Analytics, que dirige Dra. Lucía Hernández Vega. Debajo, los directores académicos más cercanos a este programa. El detalle de cada instituto está en la página de institutos.

Dra. Lucía Hernández Vega Dra. Lucía Hernández VegaDirectora Académica del DAIS — Data, Artificial Intelligence & Simulation Institute.
Dr. Kevin O’Connor Dr. Kevin O’ConnorDirector Académico del EET — Electronics & Embedded Technologies Institute.
Prof. Kenji Takahashi Prof. Kenji TakahashiDirector Académico del SRA — Robotics & Autonomous Systems Institute.

El claustro completo y los once institutos, con sus líneas de trabajo, están en institutos SEIUM y en liderazgo y consejo asesor.

Dónde se trabaja con esto

Perfiles a los que da acceso el programa.

Científico de datos espaciales
Analista de previsión
Ingeniero de machine learning geoespacial
Estadístico ambiental
Analista de movilidad
Ingeniero de datos climáticos

Para quién es

Científico de datos espaciales
Analista de previsión
Ingeniero de machine learning geoespacial
Estadístico ambiental
Analista de movilidad
Ingeniero de datos climáticos
Titulados en ingeniería o ciencias que busquen entrar en energía

Otras formaciones del área

Del mismo área y nivel, para completar tu itinerario.

En el blog técnico: De los ensayos de pista al modelo virtual: validación mixta hardware-in-the-loop · Cómo construir tu primer modelo de vehículo en un entorno de simulación multicuerpo · Gemelos digitales de flotas: de los sensores al modelo en tiempo real.

Áreas cercanas: todas las de Data, IA, Simulación & Analytics · Aeroespacial, UAM, Drones & Espacio · Automoción & Motorsport · Autónomos, ADAS & Vehículo Definido por Software · Civil, Rail & Smart Cities · Defensa, Ingeniería Militar & Sistemas Terrestres (enfoque académico, legal y ético) · Diseño, HMI & Producto · Electromovilidad, Baterías & Hidrógeno (Movilidad) · todas las facultades.

Opiniones de alumnos

Opiniones verificadas de alumnos de SEIUM, recogidas en Opynio.

Ver reseñas completas

De la solicitud al aula, sin esperas

  1. 1Rellenas la solicitud de admisiónTitulación o experiencia y firma, en una sola página.
  2. 2El sistema verifica la documentación al instanteEl sistema comprueba los datos y la firma al momento.
  3. 3Eliges modalidad de pago y reservas tu plazaPago único con descuento o entrada más cuotas mensuales. La matrícula de esta semana cierra el 27-11-2026.

El proceso completo, con documentación, plazos, convalidaciones y becas, está en admisión, cómo aplicar y becas y ayudas.

Comprueba tu acceso en tres respuestas

¿Tienes titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional equivalente?
¿Trabajas o quieres trabajar en Data, IA, Simulación & Analytics?
¿Puedes mantener un ritmo de estudio constante durante 800 horas · 6 a 8 meses?

Responde las tres y te decimos por dónde seguir.

Requisitos de acceso

  • ·Formación técnica previa o experiencia profesional en el sector. No se exige titulación universitaria.
  • ·Conexión a internet y un ordenador capaz de ejecutar el software del programa.
  • ·Nivel de español suficiente para seguir lectura de normativa técnica.

Cómo se estudia

Formación 100 % online en el campus de SEIUM, con material descargable, clases grabadas y tutor técnico asignado. Sin horarios fijos: el alumno avanza a su ritmo dentro de la convocatoria, lo que permite compatibilizarlo con el trabajo.

Cada módulo combina teoría, lectura guiada de la norma original y ejercicios aplicados. El software de trabajo es R (gstat, sf, INLA), Python xarray, PyTorch Geometric Temporal, LightGBM, QGIS, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de predicción de contaminación con datos de estaciones, previsión de tráfico sobre grafos viarios, modelos de demanda por celdas espaciales. La evaluación es continua por módulo más el proyecto integrador final.

Las modalidades, el calendario y las tasas son comunes a todos los programas: modalidades, calendario académico y tasas y financiación.

Preguntas frecuentes

Son 8 módulos con 80 submódulos y 800 h de trabajo total. Abre por «Dependencia espacial y temporal» y cierra con «Proyecto de modelo geo-temporal».

Se trabajan ISO 19123-1:2023, ISO 19108:2002, ISO 19115-1:2014, ISO 19111:2019, Convenciones CF para netCDF y Directiva 2007/2/CE (INSPIRE).

Los perfiles más directos son Científico de datos espaciales, Analista de previsión, Ingeniero de machine learning geoespacial, Estadístico ambiental y Analista de movilidad.

En un pago son 1.192 €, sobre una tarifa de 1.490 €. A plazos, una entrada de 596 € y 6 cuotas de 149 €, 1.490 € en total, sin intereses: lo mismo que la tarifa.

Formación técnica previa o experiencia profesional en el sector. No se exige titulación universitaria, Conexión a internet y un ordenador capaz de ejecutar el software del programa y Nivel de español suficiente para seguir lectura de normativa técnica.

El programa son 800 horas totales repartidas en 6 a 8 meses. Eso son entre 10 y 15 horas semanales de media, compatibles con jornada laboral completa.

Se trabaja con R (gstat, sf, INLA), Python xarray, PyTorch Geometric Temporal, LightGBM, QGIS. Se usan versiones gratuitas, académicas o de evaluación, y el tutor indica la alternativa libre cuando existe.

Diploma propio de SEIUM al superar la evaluación continua y el proyecto integrador. Es formación propia, no un título oficial del Ministerio.

Sí. Los módulos superados en un curso o diplomado del mismo área convalidan en el programa superior. Consulta la política de convalidaciones al matricularte.

Las dudas comunes a todos los programas (titulación, convalidaciones, visado, idiomas) están resueltas en preguntas frecuentes, equivalencias y convalidaciones e idiomas.

Inicio de clases: 22 de diciembre de 20261.192 € Matricularme
Contactar con Seium
Pago al contado1.192 €ahorras 298 €
Reservar plaza
Seium - Universidad de ingeniería avanzada
Resumen de privacidad

Esta web utiliza cookies para que podamos ofrecerte la mejor experiencia de usuario posible. La información de las cookies se almacena en tu navegador y realiza funciones tales como reconocerte cuando vuelves a nuestra web o ayudar a nuestro equipo a comprender qué secciones de la web encuentras más interesantes y útiles.