Sistema de recomendación para el abastecimiento de remolcadores en embarcaciones de hidrocarburos utilizando técnicas de machine learning

CONDICIONAMIENTO DE PUBLICACION DE PROYECTO. Se aborda el pronóstico para el abastecimiento de remolcadores en un terminal petrolero marítimo. El objetivo propuesto consistió en realizar un análisis descriptivo y predictivo de la demanda de remolcadores mediante técnicas de Machine Learning. Se plantea como hipótesis que los modelos ML pueden ser fiables, así como los modelos estadísticos-econométricos y Deep Learning; la justificación radica en la ausencia de herramientas tecnológicas en la logística portuaria. Para el desarrollo de esta solución se utilizó la metodología KDD (Knowledge Discovery in databases) para un enfoque heurístico e empírico. Se integraron y depuraron datos operativos y meteorológicos; se exploró la estructura temporal (nivel, tendencia, estacionalidad y ruido), y se aplicaron pruebas estadísticas y visuales sobre las características de la serie. Se modeló con árboles de gradiente usando la biblioteca Skforecast en un enfoque univariante y multistep, bajo restricción computacional. Para evitar data leakage se recurrió a la validación cruzada en conjunto con la técnica backtesting. Se adaptó métricas apropiadas a la serie para evaluar el desempeño bajo condiciones reales, reforzando la validez en contextos operativos con alta variabilidad e incertidumbre. En los resultados se obtuvo un modelo que alcanzó 81.11% de cobertura y con una precisión de RMdSE=0.051340. Como conclusión, esta propuesta sienta el inicio de las bases para una toma de decisiones más informada, eficiente y proactiva en un sector estratégico del país.

• Autor principal: Galarza Ayala, Paola Elizabeth (author)
• Altres autors: Wong Blacio, Andrés Gilberto, Director (author)
• Format: bachelorThesis
• Publicat: 2025
• Matèries: Skforecast; pronóstico de series temporales; remolcadores; puertos petroleros; forecasting.
• Accés en línia: http://www.dspace.espol.edu.ec/handle/123456789/67373