Modelo predictivo basado en redes neuronales artificiales para pronosticar el consumo de agua potable en la ciudad de Iquitos

• Autor: Ramirez Villacorta, Jimmy Max
• Formato: tesis doctoral
• Fecha de Publicación: 2024
• Institución: Universidad Nacional Federico Villarreal
• Repositorio: UNFV-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unfv.edu.pe:20.500.13084/8532
• Enlace del recurso: https://hdl.handle.net/20.500.13084/8532
• Nivel de acceso: acceso abierto
• Materia: Sistemas Inteligentes, Robótica y Domótica; Redes neuronales artificiales; Pronostico; Consumo de agua potable; https://purl.org/pe-repo/ocde/ford#2.02.04

Esta investigación tuvo como objetivo desarrollar un modelo de predicción basado en redes neuronales artificiales para pronosticar de manera precisa el consumo de agua potable, el método o tipo de investigación fue aplicada, porque se desarrolló una herramienta para ser usada en las empresas de saneamiento que permita mejorar la gestión del suministro de agua potable, como resultados se identificó las variables de entrada o predictoras, estos fueron la temperatura máxima y mínima, la precipitación y la población de Iquitos, la variable de salida o variable predicha fue el consumo de agua potable, el modelo de predicción obtuvo un margen de error inferior al 5%, logrando el pronóstico del consumo de agua potable preciso, el tipo de red neuronal usada es el perceptrón multicapa, el número de neuronas en la capa de entrada fueron 4, capas ocultas son 2, el número de neuronas con la capa oculta son 10, el número de neuronas con la capa de salida es 1, el algoritmo de aprendizaje y validación fue el backpropagation, como conclusión se logró identificar las variables relevantes como la temperatura máxima y mínima, la precipitación, tasa poblacional, el modelo ha sido validado con la métricas de evaluación, del coeficiente de regresión (r), el coeficiente de determinación (R²) y el Error Porcentual Absoluto Medio (MAPE), logrando determinar su efectividad, y por último el modelo ha demostrado una buena capacidad de rendimiento con diferentes conjuntos de datos, incluyendo entrenamiento, validación y prueba.