Propuesta metodológica para la optimización de modelos predictivos de generación de residuos sólidos municipales en zonas urbanas

Descripción del Articulo

El pronóstico de la generación de residuos sólidos municipales (RSM) desempeña un papel esencial en la toma de decisiones y proporciona información relevante para la gestión de residuos, así como una comprensión profunda de los factores que influyen en este proceso. En este trabajo, se desarrolló un...

Descripción completa

Detalles Bibliográficos
Autor: Izquierdo Horna, Luis Antonio
Formato: tesis doctoral
Fecha de Publicación:2024
Institución:Pontificia Universidad Católica del Perú
Repositorio:PUCP-Tesis
Lenguaje:español
OAI Identifier:oai:tesis.pucp.edu.pe:20.500.12404/28066
Enlace del recurso:http://hdl.handle.net/20.500.12404/28066
Nivel de acceso:acceso abierto
Materia:Aprendizaje automático (Inteligencia artificial)
Combustibles--Consumo
Residuos sólidos
https://purl.org/pe-repo/ocde/ford#2.00.00
id PUCP_a91b8aa5f375fc332ae07a9c252e3ff5
oai_identifier_str oai:tesis.pucp.edu.pe:20.500.12404/28066
network_acronym_str PUCP
network_name_str PUCP-Tesis
repository_id_str .
dc.title.es_ES.fl_str_mv Propuesta metodológica para la optimización de modelos predictivos de generación de residuos sólidos municipales en zonas urbanas
title Propuesta metodológica para la optimización de modelos predictivos de generación de residuos sólidos municipales en zonas urbanas
spellingShingle Propuesta metodológica para la optimización de modelos predictivos de generación de residuos sólidos municipales en zonas urbanas
Izquierdo Horna, Luis Antonio
Aprendizaje automático (Inteligencia artificial)
Combustibles--Consumo
Residuos sólidos
https://purl.org/pe-repo/ocde/ford#2.00.00
title_short Propuesta metodológica para la optimización de modelos predictivos de generación de residuos sólidos municipales en zonas urbanas
title_full Propuesta metodológica para la optimización de modelos predictivos de generación de residuos sólidos municipales en zonas urbanas
title_fullStr Propuesta metodológica para la optimización de modelos predictivos de generación de residuos sólidos municipales en zonas urbanas
title_full_unstemmed Propuesta metodológica para la optimización de modelos predictivos de generación de residuos sólidos municipales en zonas urbanas
title_sort Propuesta metodológica para la optimización de modelos predictivos de generación de residuos sólidos municipales en zonas urbanas
author Izquierdo Horna, Luis Antonio
author_facet Izquierdo Horna, Luis Antonio
author_role author
dc.contributor.advisor.fl_str_mv Kahhat Abedrabbo, Ramzy Francis
dc.contributor.author.fl_str_mv Izquierdo Horna, Luis Antonio
dc.subject.es_ES.fl_str_mv Aprendizaje automático (Inteligencia artificial)
Combustibles--Consumo
Residuos sólidos
topic Aprendizaje automático (Inteligencia artificial)
Combustibles--Consumo
Residuos sólidos
https://purl.org/pe-repo/ocde/ford#2.00.00
dc.subject.ocde.none.fl_str_mv https://purl.org/pe-repo/ocde/ford#2.00.00
description El pronóstico de la generación de residuos sólidos municipales (RSM) desempeña un papel esencial en la toma de decisiones y proporciona información relevante para la gestión de residuos, así como una comprensión profunda de los factores que influyen en este proceso. En este trabajo, se desarrolló un modelo de predicción de RSM específico para Lima Metropolitana, basado en variables socioculturales, ambientales y económicas, teniendo al 2019 como año de referencia, debido a la influencia del COVID-19 en los datos sobre este tema en años posteriores a la pandemia. El modelo se construyó utilizando las cantidades per cápita de RSM generadas en cada distrito, junto con parámetros relacionados con el consumo de combustibles en el hogar (como gas natural, electricidad y gas licuado de petróleo) y características demográficas de la población (como edad, nivel de educación y gasto mensual). Dada la calidad y disponibilidad de datos, se optó por utilizar el algoritmo de random forest como técnica de predicción. Las variables analizadas se obtuvieron a partir de la Encuesta Residencial de Consumo y Uso de Energía (ERCUE) a nivel municipal. Los resultados indicaron que el algoritmo implementado explica el 51% de la variabilidad de los datos. Se espera que las recomendaciones presentadas en este estudio sirvan para investigaciones futuras relacionadas con la predicción de RSM, contribuyendo a obtener resultados más precisos y aplicables a contextos específicos.
publishDate 2024
dc.date.accessioned.none.fl_str_mv 2024-06-19T20:26:10Z
dc.date.available.none.fl_str_mv 2024-06-19T20:26:10Z
dc.date.created.none.fl_str_mv 2024
dc.date.issued.fl_str_mv 2024-06-19
dc.type.es_ES.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/20.500.12404/28066
url http://hdl.handle.net/20.500.12404/28066
dc.language.iso.none.fl_str_mv spa
language spa
dc.relation.ispartof.fl_str_mv SUNEDU
dc.rights.es_ES.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-sa/2.5/pe/
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/2.5/pe/
dc.publisher.es_ES.fl_str_mv Pontificia Universidad Católica del Perú
dc.publisher.country.none.fl_str_mv PE
dc.source.none.fl_str_mv reponame:PUCP-Tesis
instname:Pontificia Universidad Católica del Perú
instacron:PUCP
instname_str Pontificia Universidad Católica del Perú
instacron_str PUCP
institution PUCP
reponame_str PUCP-Tesis
collection PUCP-Tesis
bitstream.url.fl_str_mv https://tesis.pucp.edu.pe/bitstreams/1c91f116-7582-44d2-b54a-29a1e22a6835/download
https://tesis.pucp.edu.pe/bitstreams/6cfc5f8a-7aed-4158-bdb7-3e20e00fdd22/download
https://tesis.pucp.edu.pe/bitstreams/12712be7-6c52-4cda-8ff6-a0f42b6519cb/download
https://tesis.pucp.edu.pe/bitstreams/e416716d-6a12-4e55-baba-b7843429fd7b/download
https://tesis.pucp.edu.pe/bitstreams/fe6c6f81-d85c-45c2-990b-4ae6e7d71351/download
https://tesis.pucp.edu.pe/bitstreams/9689028b-02fd-4899-9d92-d621a3f78a96/download
https://tesis.pucp.edu.pe/bitstreams/e6d6e7e0-dedb-447d-ad15-663be6560c48/download
bitstream.checksum.fl_str_mv 3d252a78c69e2dcf8db288554af3b1f1
606a983c68f42daf6dd105ab0c15fb4d
8fc46f5e71650fd7adee84a69b9163c2
8a4605be74aa9ea9d79846c1fba20a33
14b5072aba35b4ae99556d98b580b7cd
8f0426c8e756248b032bc6747b53c862
a16ad322cb66a32c18a452167e804a39
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio de Tesis PUCP
repository.mail.fl_str_mv raul.sifuentes@pucp.pe
_version_ 1834736990966251520
spelling Kahhat Abedrabbo, Ramzy FrancisIzquierdo Horna, Luis Antonio2024-06-19T20:26:10Z2024-06-19T20:26:10Z20242024-06-19http://hdl.handle.net/20.500.12404/28066El pronóstico de la generación de residuos sólidos municipales (RSM) desempeña un papel esencial en la toma de decisiones y proporciona información relevante para la gestión de residuos, así como una comprensión profunda de los factores que influyen en este proceso. En este trabajo, se desarrolló un modelo de predicción de RSM específico para Lima Metropolitana, basado en variables socioculturales, ambientales y económicas, teniendo al 2019 como año de referencia, debido a la influencia del COVID-19 en los datos sobre este tema en años posteriores a la pandemia. El modelo se construyó utilizando las cantidades per cápita de RSM generadas en cada distrito, junto con parámetros relacionados con el consumo de combustibles en el hogar (como gas natural, electricidad y gas licuado de petróleo) y características demográficas de la población (como edad, nivel de educación y gasto mensual). Dada la calidad y disponibilidad de datos, se optó por utilizar el algoritmo de random forest como técnica de predicción. Las variables analizadas se obtuvieron a partir de la Encuesta Residencial de Consumo y Uso de Energía (ERCUE) a nivel municipal. Los resultados indicaron que el algoritmo implementado explica el 51% de la variabilidad de los datos. Se espera que las recomendaciones presentadas en este estudio sirvan para investigaciones futuras relacionadas con la predicción de RSM, contribuyendo a obtener resultados más precisos y aplicables a contextos específicos.Municipal solid waste (MSW) generation forecasting plays an essential role in decision making and provides relevant information for waste management, as well as a deep understanding of the factors that influence this process. In this work, a specific MSW prediction model was developed for Metropolitan Lima, based on sociocultural, environmental and economic variables, having 2019 as the reference year, due to the influence of COVID-19 on data on this topic in post-pandemic years. The model was constructed using per capita amounts of MSW generated in each district, along with parameters related to household fuel consumption (such as natural gas, electricity, and liquefied petroleum gas) and demographic characteristics of the population (such as age, education level, and monthly expenditure). Given the quality and availability of data, we chose to use the random forest algorithm as a prediction technique. The variables analyzed were obtained from the Residential Survey of Energy Consumption and Use (ERCUE) at the municipal level. The results indicated that the implemented algorithm explains 51% of the variability of the data. It is expected that the recommendations presented in this study will be useful for future research related to MSW prediction, contributing to obtain more accurate results applicable to specific contexts.spaPontificia Universidad Católica del PerúPEinfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/2.5/pe/Aprendizaje automático (Inteligencia artificial)Combustibles--ConsumoResiduos sólidoshttps://purl.org/pe-repo/ocde/ford#2.00.00Propuesta metodológica para la optimización de modelos predictivos de generación de residuos sólidos municipales en zonas urbanasinfo:eu-repo/semantics/doctoralThesisreponame:PUCP-Tesisinstname:Pontificia Universidad Católica del Perúinstacron:PUCPSUNEDUDoctor en IngenieríaDoctoradoPontificia Universidad Católica del Perú. Escuela de PosgradoIngeniería08746262https://orcid.org/0000-0001-7321-225673978040732028Aldaco Garcia, RubenKahhat Abedrabbo, Ramzy FrancisMiller, T. ReedSanta Cruz Hidalgo, Sandra CeciliaSanjuán Pellicer, Neushttps://purl.org/pe-repo/renati/level#doctorhttps://purl.org/pe-repo/renati/type#tesisORIGINALIZQUIERDO_HORNA_LUIS_PROPUESTA_METODOLOGICA_OPTIMIZACION.pdfIZQUIERDO_HORNA_LUIS_PROPUESTA_METODOLOGICA_OPTIMIZACION.pdfTexto completoapplication/pdf3003746https://tesis.pucp.edu.pe/bitstreams/1c91f116-7582-44d2-b54a-29a1e22a6835/download3d252a78c69e2dcf8db288554af3b1f1MD51trueAnonymousREADIZQUIERDO_HORNA_LUIS_ANTONIO_T.pdfIZQUIERDO_HORNA_LUIS_ANTONIO_T.pdfReporte de originalidadapplication/pdf23720185https://tesis.pucp.edu.pe/bitstreams/6cfc5f8a-7aed-4158-bdb7-3e20e00fdd22/download606a983c68f42daf6dd105ab0c15fb4dMD52falseAnonymousREAD2500-01-01CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81037https://tesis.pucp.edu.pe/bitstreams/12712be7-6c52-4cda-8ff6-a0f42b6519cb/download8fc46f5e71650fd7adee84a69b9163c2MD53falseAnonymousREADLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://tesis.pucp.edu.pe/bitstreams/e416716d-6a12-4e55-baba-b7843429fd7b/download8a4605be74aa9ea9d79846c1fba20a33MD54falseAnonymousREADTHUMBNAILIZQUIERDO_HORNA_LUIS_PROPUESTA_METODOLOGICA_OPTIMIZACION.pdf.jpgIZQUIERDO_HORNA_LUIS_PROPUESTA_METODOLOGICA_OPTIMIZACION.pdf.jpgIM Thumbnailimage/jpeg13232https://tesis.pucp.edu.pe/bitstreams/fe6c6f81-d85c-45c2-990b-4ae6e7d71351/download14b5072aba35b4ae99556d98b580b7cdMD55falseAnonymousREADIZQUIERDO_HORNA_LUIS_ANTONIO_T.pdf.jpgIZQUIERDO_HORNA_LUIS_ANTONIO_T.pdf.jpgIM Thumbnailimage/jpeg8482https://tesis.pucp.edu.pe/bitstreams/9689028b-02fd-4899-9d92-d621a3f78a96/download8f0426c8e756248b032bc6747b53c862MD56falseAnonymousREAD2500-01-01TEXTIZQUIERDO_HORNA_LUIS_ANTONIO_T.pdf.txtIZQUIERDO_HORNA_LUIS_ANTONIO_T.pdf.txtExtracted texttext/plain25025https://tesis.pucp.edu.pe/bitstreams/e6d6e7e0-dedb-447d-ad15-663be6560c48/downloada16ad322cb66a32c18a452167e804a39MD57falseAnonymousREAD2500-01-0120.500.12404/28066oai:tesis.pucp.edu.pe:20.500.12404/280662025-04-21 11:17:13.059http://creativecommons.org/licenses/by-nc-sa/2.5/pe/info:eu-repo/semantics/openAccessopen.accesshttps://tesis.pucp.edu.peRepositorio de Tesis PUCPraul.sifuentes@pucp.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
score 13.888049
Propuesta metodológica para la optimización de modelos predictivos de generación de residuos sólidos municipales en zonas urbanas
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).

Ejemplares Similares