Modelo predictivo basado en técnicas de Machine Learning para optimizar la programación de obras en proyectos de infraestructura vial, Arequipa 2025
| dc.contributor.advisor | García Godos Peñaloza, Luz Matilde | |
| dc.contributor.author | Castillo Molina, Edisson Hugo | |
| dc.date.accessioned | 2026-11-16T19:02:08Z | |
| dc.date.available | 2026-11-16T19:02:08Z | |
| dc.date.issued | 2026-10-30 | |
| dc.description.abstract | La programación de obras de infraestructura vial en Arequipa presenta desviaciones superiores al 50% respecto al plazo contractual, evidenciando las limitaciones de los métodos tradicionales frente a la variabilidad e interacciones no lineales entre actividades. La investigación tuvo como objetivo general determinar en qué medida un modelo predictivo basado en técnicas de machine learning optimiza la programación de obra en proyectos de infraestructura vial, Arequipa 2025. El estudio siguió un enfoque cuantitativo, aplicado, de nivel explicativo y diseño no experimental correlacional-predictivo. Se trabajó con una muestra de 10 obras viales ejecutadas y liquidadas entre 2022 y 2025, obtenidas de fuentes oficiales (INFOBRAS, SSI-MEF), que generaron un dataset de 8539 registros de actividades. Se entrenaron y compararon 42 algoritmos de regresión mediante validación cruzada agrupada (GroupKFold); los cinco de mejor desempeño fueron optimizados y combinados en un ensamble mediante Stacking y Voting Regressor. El StackingRegressor (ARDRegression, AdaBoost, Lasso y LassoLars, con metamodelo Ridge) constituyó la solución final, alcanzando sobre el conjunto de prueba (1690 registros) un RMSE de 7.46 días, MAE de 4.90 días, R² de 0.8061 y MAPE de 62,1%, con intervalo de confianza bootstrap del RMSE de [6.98; 7.92] días al 95%, superando a los modelos individuales. Su validación en casos de estudio reales evidenció errores porcentuales menores a los del método tradicional PERT. Se concluye que el modelo predictivo optimiza la programación de obras al reducir el error de estimación frente a los métodos convencionales, operando como herramienta complementaria cuya efectividad depende de la disponibilidad y similitud de los datos históricos empleados. | |
| dc.format | application/pdf | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12920/17753 | |
| dc.language.iso | spa | |
| dc.publisher | Universidad Católica de Santa María | es_ES |
| dc.publisher.country | PE | |
| dc.rights | https://purl.org/coar/access_right/c_abf2 | |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | es_ES |
| dc.source | Universidad Católica de Santa María | es_ES |
| dc.source | Repositorio de la Universidad Católica de Santa María - UCSM | es_ES |
| dc.subject | machine learning | |
| dc.subject | programación de obras | |
| dc.subject | infraestructura vial | |
| dc.subject.ocde | https://purl.org/pe-repo/ocde/ford#2.01.01 | |
| dc.title | Modelo predictivo basado en técnicas de Machine Learning para optimizar la programación de obras en proyectos de infraestructura vial, Arequipa 2025 | |
| dc.type | http://purl.org/coar/resource_type/c_7a1f | |
| dc.type.version | http://purl.org/coar/version/c_970fb48d4fbd8a85 | |
| renati.advisor.dni | 41587204 | |
| renati.advisor.orcid | https://orcid.org/0000-0003-0591-2191 | |
| renati.author.dni | 71739856 | |
| renati.discipline | 73200082 | |
| renati.juror | De La Cruz Mendoza, Fernando Aron | |
| renati.juror | Torres Almiron, Jeniffer Carla | |
| renati.juror | Montoya Villanueva, Filiberto Rody | |
| renati.level | https://purl.org/pe-repo/renati/level#tituloProfesional | |
| renati.type | https://purl.org/pe-repo/renati/type#tesis | |
| thesis.degree.discipline | Ingeniería Civil | |
| thesis.degree.grantor | Universidad Católica de Santa María.Facultad de Arquitectura e Ingenierías Civil y del Ambiente | es_ES |
| thesis.degree.name | Ingeniero Civil |
Archivos
Bloque original
1 - 3 de 3
No hay miniatura disponible
- Nombre:
- 45.0537.IC.RT.pdf
- Tamaño:
- 65.49 MB
- Formato:
- Adobe Portable Document Format
No hay miniatura disponible
- Nombre:
- Autorización_45.0537.IC.pdf
- Tamaño:
- 493.4 KB
- Formato:
- Adobe Portable Document Format
Bloque de licencias
1 - 1 de 1
No hay miniatura disponible
- Nombre:
- license.txt
- Tamaño:
- 1.71 KB
- Formato:
- Item-specific license agreed upon to submission
- Descripción: