Aplicación de machine learning a la gestión aeroportuaria = Machine learning application to airport management
[ES] El fuerte crecimiento pronosticado para los niveles de tráfico aéreo, unido a los retos introducidos por la pandemia del COVID-19, la preocupación medioambiental, los cambios en las regulaciones y en las necesidades y comportamientos de los pasajeros, y el auge de la digitalización y la importa...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2022 |
| País: | España |
| Institución: | Universidad de León |
| Repositorio: | BULERIA. Repositorio Institucional de la Universidad de León |
| OAI Identifier: | oai:buleria.unileon.es:10612/15261 |
| Acceso en línea: | http://hdl.handle.net/10612/15261 |
| Access Level: | acceso abierto |
| Palabra clave: | Economía Machine learning Aprendizaje automático Asset management Gestión de recursos Airport Aeropuerto 3308 Ingeniería y Tecnología del Medio Ambiente 3301.08 Aeropuertos y Transportes Aéreos 5311.02 Gestión Financiera 5311 Organización y Dirección de Empresas |
| Sumario: | [ES] El fuerte crecimiento pronosticado para los niveles de tráfico aéreo, unido a los retos introducidos por la pandemia del COVID-19, la preocupación medioambiental, los cambios en las regulaciones y en las necesidades y comportamientos de los pasajeros, y el auge de la digitalización y la importancia del dato, representan un desafío a los aeropuertos y su gestión, que deben ser capaces de adaptarse para mantenerse eficientes y sostenibles a largo plazo, proporcionando la capacidad necesaria para albergar las operaciones. En este trabajo se realiza un estudio de las soluciones y beneficios que aporta el uso del aprendizaje automático para este fin, ayudando en la gestión eficiente de los medios aeroportuarios para reducir los costes de operación, y reduciendo los tiempos de procesamiento y de espera en cola en los distintos procesos para mejorar la experiencia de los pasajeros e incrementar ingresos. Como caso práctico de estudio se plantea la predicción del número de controles de seguridad requeridos mediante la construcción de un modelo que aplica las fórmulas de planificación y dimensionamiento de equipos establecidas en el ADRM de IATA e implementa técnicas de aprendizaje supervisado mediante clasificación con los algoritmos de Random Forest, K-NN y SVM. Tras el entrenamiento del modelo, se evalúan las métricas más relevantes en este tipo de problemas: exactitud, precisión, recall, y F1-score. Los tres métodos proporcionan unos resultados muy aceptables, con una exactitud superior al 90% en todos los casos, siendo el Random Forest y el K-NN los mejores modelos, con unos resultados casi idénticos, una exactitud superior al 92% y el resto de las métricas por encima del 91%; mientras que el SVM está ligeramente por debajo en exactitud, con un 90,36%, y unos resultados algo más bajos en términos de precisión, pero manteniéndose por encima del 81%, lo que hace que el F1-score también baje, aunque está por encima del 85%. |
|---|