Implementacion de un modelo predictivo usando tecnicas de inteligencia artificial para el confort termico en casas altoandinas del proyecto Sumaq Wasi

• Autor: Abarca Mora, Raimar
• Formato: tesis de maestría
• Fecha de Publicación: 2026
• Institución: Universidad Nacional de San Antonio Abad del Cusco
• Repositorio: UNSAAC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsaac.edu.pe:20.500.12918/12308
• Enlace del recurso: https://hdl.handle.net/20.500.12918/12308
• Nivel de acceso: acceso embargado
• Materia: Modelo predictivo; Técnicas de inteligencia artificial; Confort térmico; Casas altoandinas; https://purl.org/pe-repo/ocde/ford#1.02.01

El presente estudio tuvo como objetivo implementar y evaluar modelos de aprendizaje automático para predecir el nivel de confort térmico en viviendas del Proyecto Sumaq Wasi, ubicadas en el distrito altoandino de Kunturkanki, provincia de Canas, caracterizado por condiciones climáticas extremas y marcadas oscilaciones térmicas diarias. La investigación se desarrolló bajo un enfoque cuantitativo, utilizando datos ambientales recolectados mediante sensores instalados en las viviendas y una estación meteorológica portátil, considerando temperatura interior y exterior, humedad relativa, velocidad y dirección del viento, y precipitación. Se evaluaron ocho algoritmos de clasificación: Regresión Logística, Análisis Discriminante Lineal, Árbol de Decisión, Máquinas de Soporte Vectorial, Naive Bayes, KNearest Neighbors, Random Forest y Long Short-Term Memory (LSTM). Los resultados evidenciaron que Random Forest alcanzó el mejor desempeño, con una precisión de 0.9098, seguido de Árbol de Decisión y KNN, superando el umbral mínimo de aceptabilidad reportado en la literatura (precisión ≥ 0.75). En contraste, los modelos lineales presentaron limitaciones para discriminar las categorías de confort térmico, mientras que Naive Bayes obtuvo el rendimiento más bajo debido a la correlación entre variables. La LSTM mostró estabilidad y ausencia de sobreajuste, aunque sin superar a los modelos basados en árboles. Los hallazgos confirman que los modelos de aprendizaje automático son herramientas efectivas para la predicción del confort térmico en viviendas altoandinas, permitiendo identificar condiciones de riesgo y respaldar estrategias de vivienda saludable. Asimismo, la predominancia de niveles PMV fríos (–2 y –1) evidencia la necesidad de mejorar el aislamiento térmico y reducir la pobreza energética.