Mostrar el registro sencillo del ítem
dc.contributor | Escuela de Ingenierias Industrial e Informatica | es_ES |
dc.contributor.advisor | Conde González, Miguel Ángel | |
dc.contributor.author | Victorero Huerta, Sandra | |
dc.contributor.other | Economia Aplicada | es_ES |
dc.date | 2022-02 | |
dc.date.accessioned | 2022-11-15T09:28:09Z | |
dc.date.available | 2022-11-15T09:28:09Z | |
dc.date.submitted | 2022-02 | |
dc.identifier.uri | http://hdl.handle.net/10612/15261 | |
dc.description.abstract | [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%. | es_ES |
dc.language | spa | es_ES |
dc.relation | Máster Universitario en Ingeniería Aeronaútica | es_ES |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Internacional | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Economía | es_ES |
dc.subject.other | Machine learning | es_ES |
dc.subject.other | Aprendizaje automático | es_ES |
dc.subject.other | Asset management | es_ES |
dc.subject.other | Gestión de recursos | es_ES |
dc.subject.other | Airport | es_ES |
dc.subject.other | Aeropuerto | es_ES |
dc.title | Aplicación de machine learning a la gestión aeroportuaria = Machine learning application to airport management | es_ES |
dc.type | info:eu-repo/semantics/masterThesis | es_ES |
dc.rights.accessRights | info:eu-repo/semantics/openAccess | es_ES |
dc.subject.unesco | 3308 Ingeniería y Tecnología del Medio Ambiente | es_ES |
dc.subject.unesco | 3301.08 Aeropuertos y Transportes Aéreos | es_ES |
dc.subject.unesco | 5311.02 Gestión Financiera | es_ES |
dc.subject.unesco | 5311 Organización y Dirección de Empresas | es_ES |