RT info:eu-repo/semantics/masterThesis
T1 Aplicación de machine learning a la gestión aeroportuaria = Machine learning application to airport management
A1 Victorero Huerta, Sandra
A2 Economia Aplicada
K1 Economía
K1 Machine learning
K1 Aprendizaje automático
K1 Asset management
K1 Gestión de recursos
K1 Airport
K1 Aeropuerto
K1 3308 Ingeniería y Tecnología del Medio Ambiente
K1 3301.08 Aeropuertos y Transportes Aéreos
K1 5311.02 Gestión Financiera
K1 5311 Organización y Dirección de Empresas
AB [ES] El fuerte crecimiento pronosticado para los niveles de tráfico aéreo, unido a los retos introducidos por la pandemia del COVID-19, la preocupación medioambiental, los cambios en las regulaciones y en las necesidades y comportamientos de los pasajeros, y el auge de la digitalización y la importancia del dato, representan un desafío a los aeropuertos y su gestión, que deben ser capaces de adaptarse para mantenerse eficientes y sostenibles a largo plazo, proporcionando la capacidad necesaria para albergar las operaciones. En este trabajo se realiza un estudio de las soluciones y beneficios que aporta el uso del aprendizaje automático para este fin, ayudando en la gestión eficiente de los medios aeroportuarios para reducir los costes de operación, y reduciendo los tiempos de procesamiento y de espera en cola en los distintos procesos para mejorar la experiencia de los pasajeros e incrementar ingresos. Como caso práctico de estudio se plantea la predicción del número de controles de seguridad requeridos mediante la construcción de un modelo que aplica las fórmulas de planificación y dimensionamiento de equipos establecidas en el ADRM de IATA e implementa técnicas de aprendizaje supervisado mediante clasificación con los algoritmos de Random Forest, K-NN y SVM. Tras el entrenamiento del modelo, se evalúan las métricas más relevantes en este tipo de problemas: exactitud, precisión, recall, y F1-score. Los tres métodos proporcionan unos resultados muy aceptables, con una exactitud superior al 90% en todos los casos, siendo el Random Forest y el K-NN los mejores modelos, con unos resultados casi idénticos, una exactitud superior al 92% y el resto de las métricas por encima del 91%; mientras que el SVM está ligeramente por debajo en exactitud, con un 90,36%, y unos resultados algo más bajos en términos de precisión, pero manteniéndose por encima del 81%, lo que hace que el F1-score también baje, aunque está por encima del 85%.
LK http://hdl.handle.net/10612/15261
UL http://hdl.handle.net/10612/15261
DS BULERIA. Repositorio Institucional de la Universidad de León
RD 19-may-2024