Moyano Rozas, Pablo Alfonso2026-01-122026-01-122026-01https://repositorio.usm.cl/handle/123456789/77603El 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.The exponential growth of information and global interconnection presents significant challenges for computational infrastructure, especially in the areas of storage, processing, and the effective understanding of multivariate datasets. The lack of robust and efficient methodologies for analyzing this data hinders the extraction of knowledge and, consequently, strategic decision-making. This thesis addresses this problem by focusing on the airport sector, applying Machine Learning tools with the objective of improving the punctuality and gate assignment at Arturo Merino Benítez International Airport (SCL). Machine Learning offers an effective solution for identifying complex patterns and modeling short- and long-term behavior through the training of predictive algorithms. This capability is crucial for mitigating the risks associated with operational uncertainty within airport management. A set of Machine Learning algorithms was evaluated, including Multilayer Perceptrons (MLP), Long Short-Term Memory (LSTM), K-Nearest Neighbors (KNN), Random Forest, Support Vector Regression (SVR), and the Multilayer Perceptron with a Quantile Loss function. The best predictive performance was achieved using the Multilayer Perceptron with a Quantile Loss function. This model achieved the following performance indicators: • Mean Squared Error (MSE): 103.8. Mean Absolute Error (MAE): 5.58 minutes. Coefficient of Determination (𝑅2): 0.8. Furthermore, in the validation test using the May itineraries, the model obtained a solid result with a Mean Absolute Error (MAE) of 6.24 minutes per flight, successfully capturing the underlying data patterns. However, the standard deviation is situated at ±30 minutes, which suggests high inaccuracy or that the individual errors are widely inconsistent.184 páginasesAttribution-ShareAlike 4.0 Internationalhttp://creativecommons.org/licenses/by-sa/4.0/Gestión aeroportuariaAsignación de puertas de embarqueInteligencia ArtificialAprendizaje automáticoPredicción operativa35609002893629 Industria, innovación e infraestructura11 Ciudades y comunidades sostenibles