L’aplicació de l’aprenentatge automàtic a l’hora de crear models predictius permet explotar la potencia computacional de la que disposem avui en dia per crear prediccions més robustes i eficaces tractant grans quantitats de dades. Aquest projecte consisteix en la programació amb python de diferents models predictius l’objectiu de preveure de forma específica diferents magnituds característiques de la temporada de pol·len del Platanus, una de les especies d’arbre més comuns a les ciutats, utilitzant dades meteorològiques. Per crear aquest models s’han utilitzat tècniques de feature engineering, extraient característiques més especifiques de les dades proporcionades utilitzant diferents mètodes de descomposició, reducció de la dimensionalitat, suavització, etc. Un cop trobades aquests noves features, s’han escollit les que proporcionaven més informació sobre la magnitud objectiu i s’han aplicat a dos classificadors de aprenentatge automàtic diferents: un regressor lineal i un random forest. Els resultats obtinguts indiquen que els models creats poden preveure de forma efectiva les cinc magnituds objectiu (Data d’inici, data on es superen per primer cop les 100 partícules de pol·len per metre cúbic, data on s’assoleix la concentració màxima, data on es baixa per primer cop de les 100 partícules de pol·len per metre cúbic i la concentració de pol·len màxima) amb un error mitjà absolut de no més de cinc dies en cap dels casos. També s’ha trobat una forta correlació entre aquestes magnituds característiques i les temperatures màximes abans de la temporada, així com les anomalies de la temperatura més enllà de la seva periodicitat anual i tendència en alta degut al canvi climàtic.