Facultad de Ingeniería
URI permanente para esta comunidadhttps://hdl.handle.net/20.500.12640/3729
Examinar
2 resultados
Resultados de la búsqueda
Ítem Acceso Abierto Metodología de Valoración Contingente de ruido vehicular mediante Machine Learning: caso del bypass del Óvalo Monitor Huáscar ubicado en Santiago de Surco y La Molina(Universidad ESAN, 2024) Cama Montesinos, Andrea Alessandra; Rivera Bueno, Jose Pablo; Salazar Sanchez, Leslie Alexandra; Sandoval Alcala, Jean Pierre Andre; Soria Asin, Alejandra MarcelaEl estudio examina el impacto negativo del tránsito en la calidad de vida de la población en los distritos de Santiago de Surco y La Molina, en particular en relación con la contaminación por ruido producida por el Bypass del Óvalo Monitor Huáscar. Se propone el uso de la inteligencia artificial (Machine Learning) como una herramienta innovadora para predecir la disposición de pago (DAP) de la población para reducir el ruido del tránsito. El estudio se centra en crear un modelo de valoración contingente que se combine con algoritmos de aprendizaje automático para hacer predicciones sobre la DAP de la población en varios escenarios. Los hallazgos de esta investigación podrían ayudar a tomar decisiones informadas para mejorar la planificación urbana y la gestión del tránsito con el objetivo de reducir los efectos negativos del ruido del tránsito.Ítem Acceso Abierto Diseño de un modelo de predicción de demanda online de paquete de huevos (15 unidades) para una empresa proveedora de productos avícolas en Lima mediante Machine Learning(Universidad ESAN, 2023) Cabrera Reyes, Jairo; Camero Veneros, Mario; Castillón Medina, Densel Giomar; Garcia Condori, Guadalupe; García Guzmán, Rony YeltsinEste estudio se enfoca en abordar los desafíos que enfrenta una empresa avícola en Lima (Perú), específicamente en su canal de ventas en línea, destacando la falta de herramientas de inteligencia artificial para prever la demanda de su producto estrella: paquetes de huevos de 15 unidades. La investigación adopta un enfoque experimental con base cuantitativa, entrenando 12 modelos que abarcan desde estadísticos tradicionales hasta avanzados de Machine Learning. La metodología se divide en cuatro pasos clave: extracción de datos, preprocesamiento, modelado y análisis de resultados. El Random Forest, con optimización de hiperparámetros y validación cruzada, se revela como el más eficaz, logrando un RMSE de 38.62 y un MAE de 28.94 que significan una reducción sustancial del 52.16% en MSE y 26.15% en MAE en comparación con un modelo estadístico base (SARIMAX). Además, se propone una optimización en el equipo de planificación, con reducciones significativas en personal (50%) y costos (62.5%). A pesar de los resultados positivos, se recomienda la exploración de modelos más complejos como redes neuronales artificiales y la consideración de la implementación en la nube de Google (GCP) para mejorar continuamente la eficiencia del modelo y adaptarse a las dinámicas cambiantes del mercado.
