Análisis comparativo de algoritmos de machine learning para la predicción de la generación de residuos sólidos en la playa Venecia de la ciudad de Lima

• Autor: Julca Flores, Janett Deisy
• Formato: artículo
• Fecha de Publicación: 2025
• Institución: Universidad Nacional Tecnológica de Lima Sur
• Repositorio: UNTL-Biotech
• Lenguaje: español
• OAI Identifier: oai:ojs2.localhost:article/216
• Enlace del recurso: https://revistas.untels.edu.pe/index.php/files/article/view/216
• Nivel de acceso: acceso abierto
• Materia: Residuos sólidos; predicción; machine learning; playa venecia

La playa Venecia ubicada en el distrito de Villa Salvador, es una de las playas con más contaminación de residuos sólidos del litoral limeño, constituyendo ahora una problemática ambiental constante en el sector urbano del distrito. A raíz de ello, esta investigación propuso evaluar el impacto del uso de algoritmos supervisados de aprendizaje automático en la predicción de residuos sólidos recolectados, de hecho, resulto una herramienta útil para fortalecer la toma de decisiones en la gestión ambiental costera. Asimismo, se trabajó con cuatro algoritmos ampliamente utilizados en el machine learning: Red Neuronal Artificial (RNA), Árbol de Decisión (AD), Máquina de Soporte Vectorial (SVM) y K-Nearest Neighbors (KNN) y se contó con una base de datos compuesta de 200 registros, para la comparación técnica las métricas utilizadas fueron: precisión, F1-score, recall y tiempo de entrenamiento. Los resultados mostraron que el modelo de red neuronal alcanzó el mejor desempeño general, destacando en sectores con alta diversidad de residuos, en cambio SVM mostró un comportamiento equilibrado entre exactitud y eficiencia computacional, mientras que AD y KNN ofrecieron menor precisión, aunque con tiempos de ejecución reducidos. De igual forma, la técnica de validación cruzada permitió confirmar la estabilidad de los modelos, mientras que una comparación cualitativa basada en criterios valorados por expertos —como adaptabilidad, claridad, facilidad de implementación y sensibilidad al ruido— reforzó el posicionamiento de la RNA como el algoritmo más completo para el contexto analizado. A partir de este enfoque, se elaboraron predicciones para futuros volúmenes de residuos, permitiendo identificar zonas críticas y orientar estrategias preventivas. Los hallazgos obtenidos aportan evidencia sobre la utilidad de los modelos predictivos como herramienta de soporte en la gestión de residuos sólidos en entornos costeros. Asimismo, sientan las bases para replicar este tipo de soluciones en otras playas de la capital u otras regiones con desafíos ambientales similares