| Tesis Doctorales de la Universidad de Alcalá |
| DE LA PREDICCIÓN CLÁSICA AL MODELADO DE REDES NEURONALES: UN ENFOQUE INTEGRAL PARA LA PREDICCIÓN DE SERIES TEMPORALES | | Autor/a | Mata Moratilla, Sergio de la | | Departamento | Ciencias de la Computación | | Director/a | Castillo Martínez, Ana | | Codirector/a | Gutiérrez Martínez, José María | | Fecha de depósito | 29-01-2026 | | Periodo de exposición pública | 30 de enero a 12 de febrero de 2026 | | Fecha de defensa | Sin especificar | | Programa | Ingeniería de la Información y del Conocimiento (RD 99/2011) | | Mención internacional | No | | Resumen | Esta Tesis Doctoral se centra en el estudio y aplicación de modelos predictivos para mejorar la eficiencia y sostenibilidad de los sistemas de gestión de residuos sólidos urbanos (RSU). En un contexto urbano cada vez más complejo, caracterizado por la necesidad de optimizar los recursos y reducir el impacto ambiental, la anticipación del comportamiento de los puntos de vertido (PVs) se plantea como una estrategia clave para la planificación y la toma de decisiones.
El estudio plantea un enfoque integral que combina análisis de series temporales, técnicas de preprocesado y aprendizaje profundo y procesos de normalización avanzados con el fin de construir modelos capaces de capturar la dinámica no lineal y estacional de los sistemas de generación y depósito de residuos. El objetivo principal de este estudio es verificar si es posible mejorar la predicción de las series temporales de puntos de vertido de residuos sólidos municipales. Para alcanzar este objetivo se realiza un análisis orientado exclusivamente a la modelización y predicción de dichos patrones temporales, así como determinar la influencia de distintos niveles de granularidad temporal y estructural sobre el rendimiento de las predicciones.
Este trabajo propone una arquitectura metodológica basada en el procesamiento sistemático de los datos, la definición de métricas de evaluación coherentes y la verificación de la reproducibilidad de los resultados. Se ha analizado un conjunto de datos históricos correspondiente a distintos PVs urbanos, aplicando procesos de limpieza, transformación y normalización que permitan garantizar la calidad de la información empleada. Sobre esta base, se han desarrollado modelos neuronales de tipo feedforward y LSTM entrenados con múltiples configuraciones y horizontes temporales, comparando su comportamiento mediante métricas de error y varianza explicada.
Además del análisis puramente temporal, se ha incorporado información contextual complementaria que describe patrones de comportamiento relacionados con factores externos, como los días de la semana, las estaciones del año o los periodos vacacionales permitiendo representar de manera más realista la relación entre la actividad ciudadana y la evolución del llenado de los PVs y contribuyendo a aumentar la precisión y la estabilidad de los modelos.
La tesis aporta una contribución metodológica relevante al establecer un marco experimental reproducible que permite evaluar, comparar y optimizar modelos de predicción aplicados a datos urbanos. Esto posibilita analizar de forma controlada el impacto de cada decisión técnica tales como la granularidad temporal, el horizonte de predicción o las estrategias de normalización en la calidad final del modelo.
En conjunto, los resultados obtenidos confirman la viabilidad técnica, científica y económica del enfoque propuesto, demostrando que los modelos neuronales adecuadamente parametrizados y alimentados con información contextual de calidad, constituyen una herramienta eficaz para la predicción del comportamiento de los PVs y la gestión inteligente de los recursos urbanos.
Este trabajo sienta las bases para el desarrollo de sistemas predictivos escalables y adaptativos que contribuyan a la sostenibilidad de las ciudades mediante una planificación basada en datos, conocimiento y aprendizaje automático. |
|
