Browsing by Author "Moyano Rozas, Pablo Alfonso"
Now showing 1 - 1 of 1
- Results Per Page
- Sort Options
Thesis Predicción de la puntualidad del aeropuerto Arturo Merino Benítez utilizando algoritmos de machine learning(Universidad Técnica Federico Santa María, 2026-01) Moyano Rozas, Pablo Alfonso; Solís, Roberto; Departamento de Ciencias Aeronáuticas (ACA); Poblete Gómez, Víctor CristóbalEl crecimiento exponencial de la información y la interconexión global plantean desafíos significativos para la infraestructura computacional, especialmente en las áreas de almacenamiento, procesamiento y el entendimiento de conjuntos de datos multivariables. La ausencia de metodologías robustas y eficientes en el análisis de estos datos imposibilita la extracción de conocimiento y, por ende, la toma de decisiones estratégicas. La presente memoria aborda esta problemática centrándose en el sector aeroportuario, aplicando herramientas de aprendizaje automático (Machine Learning) con el objetivo de la extracción de conocimiento a partir de los datos operacionales, mejorar la puntualidad y la asignación de puertas de embarque del aeropuerto Arturo Merino Benítez (SCL) mediante estos algoritmos. El Machine Learning ofrece una solución efectiva para la identificación de patrones complejos y el modelado de comportamiento de corto y largo plazo, mediante el entrenamiento de algoritmos predictivos. Esta capacidad resulta crucial para disminuir los riesgos asociados a la incertidumbre operativa dentro de la gestión aeroportuaria. Se evaluó un conjunto de algoritmos de Machine Learning, incluyendo Redes Neuronales Multicapa (MLP), Long Short-Term Memory (LSTM), K-Nearest Neighbors (KNN), Random Forest, Support Vector Regression (SVR) y la Red Neuronal Multicapa con función de pérdida de cuartil. El mejor desempeño predictivo se obtuvo con una Red Neuronal Multicapa con función de pérdida de cuartil. Este modelo alcanza los siguientes indicadores de rendimiento: Error Cuadrático Medio (MSE): 103,8; Error Absoluto Medio (MAE): 5,58 minutos; y Coeficiente de Determinación (R²): 0,809. Además, en la prueba de validación de los itinerarios del mes de mayo, el modelo obtuvo un sólido resultado con un error absoluto medio (MAE) de 6,24 minutos por vuelo, logrando capturar los patrones de los datos. Sin embargo, los residuales obtuvieron una media de 2,20 minutos, reflejando un ligero sesgo positivo. Esto confirma que el modelo no tiene errores sistemáticos. No obstante, la desviación estándar se sitúa en ±30 minutos, lo que sugiere una alta imprecisión o que los errores individuales son ampliamente inconsistentes.
Política de Privacidad 
