Modelo predictivo basado en técnicas de Machine Learning para optimizar la programación de obras en proyectos de infraestructura vial, Arequipa 2025

dc.contributor.advisorGarcía Godos Peñaloza, Luz Matilde
dc.contributor.authorCastillo Molina, Edisson Hugo
dc.date.accessioned2026-11-16T19:02:08Z
dc.date.available2026-11-16T19:02:08Z
dc.date.issued2026-10-30
dc.description.abstractLa 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.formatapplication/pdf
dc.identifier.urihttps://hdl.handle.net/20.500.12920/17753
dc.language.isospa
dc.publisherUniversidad Católica de Santa Maríaes_ES
dc.publisher.countryPE
dc.rightshttps://purl.org/coar/access_right/c_abf2
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/es_ES
dc.sourceUniversidad Católica de Santa Maríaes_ES
dc.sourceRepositorio de la Universidad Católica de Santa María - UCSMes_ES
dc.subjectmachine learning
dc.subjectprogramación de obras
dc.subjectinfraestructura vial
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.01.01
dc.titleModelo predictivo basado en técnicas de Machine Learning para optimizar la programación de obras en proyectos de infraestructura vial, Arequipa 2025
dc.typehttp://purl.org/coar/resource_type/c_7a1f
dc.type.versionhttp://purl.org/coar/version/c_970fb48d4fbd8a85
renati.advisor.dni41587204
renati.advisor.orcidhttps://orcid.org/0000-0003-0591-2191
renati.author.dni71739856
renati.discipline73200082
renati.jurorDe La Cruz Mendoza, Fernando Aron
renati.jurorTorres Almiron, Jeniffer Carla
renati.jurorMontoya Villanueva, Filiberto Rody
renati.levelhttps://purl.org/pe-repo/renati/level#tituloProfesional
renati.typehttps://purl.org/pe-repo/renati/type#tesis
thesis.degree.disciplineIngeniería Civil
thesis.degree.grantorUniversidad Católica de Santa María.Facultad de Arquitectura e Ingenierías Civil y del Ambientees_ES
thesis.degree.nameIngeniero Civil

Archivos

Bloque original
Mostrando 1 - 3 de 3
Cargando...
Miniatura
Nombre:
45.0537.IC.pdf
Tamaño:
10.73 MB
Formato:
Adobe Portable Document Format
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
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descripción: