Pronóstico de las condiciones de la superficie de la carretera Juliaca - Puno en clima lluvioso utilizando redes neuronales artificiales

• Autores: Caty Mamani, Gabriela Karla, Colque Quispe, Renso Eddie
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Peruana Unión
• Repositorio: UPEU-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.upeu.edu.pe:20.500.12840/7912
• Enlace del recurso: http://repositorio.upeu.edu.pe/handle/20.500.12840/7912
• Nivel de acceso: acceso embargado
• Materia: Carretera; Condiciones climáticas; Predicción; Redes neuronales artificiales; Seguridad vial; http://purl.org/pe-repo/ocde/ford#2.01.05

Este estudio utiliza redes neuronales artificiales, con un enfoque cuantitativo y un diseño descriptivo no experimental transaccional, tuvo como objetivo general utilizar estas redes para pronosticar de manera precisa las condiciones de la superficie de la carretera Juliaca-Puno durante días lluviosos, con miras a mejorar la seguridad y eficiencia del tráfico en dicha vía. Para ello, se implementó un modelo de red neuronal artificial tipo Perceptrón Multicapa (MLP), entrenado con datos históricos de precipitación y tráfico recolectados en la zona de estudio. El modelo demostró una alta precisión en la predicción de las condiciones de la superficie vial, con una correlación significativa de 0.5 entre las variables de entrada (datos climáticos, tráfico, etc.) y las condiciones reales de la carretera. Además, se obtuvieron bajos valores de error cuadrático medio (MSE=0.3763) y raíz del error cuadrático medio (RMSE=0.36135), confirmando la eficacia del modelo neuronal implementado. La evaluación mediante tablas de contingencia arrojó una precisión del 100% para condiciones mojadas y secas, y del 67% para condiciones húmedas de la superficie vial. Estos resultados demuestran que las redes neuronales artificiales son herramientas poderosas y efectivas para predecir con alta precisión las condiciones de la superficie de carreteras en días lluviosos. Este estudio sienta las bases para futuras investigaciones que exploren la integración de datos en tiempo real y el desarrollo de modelos predictivos continuos, ofreciendo así mayores beneficios para una efectiva gestión de carreteras y seguridad vial.