Publication:
Caracterización de patrones de conducta diaria de residentes de una casa inteligente

Simple item page
dc.contributor.advisorRestrepo Medina, Silvia
dc.contributor.advisorAedo Garcia, Roberto
dc.contributor.advisorCariñe Catrileo, Jaime
dc.contributor.authorCabrera Matus, Ignacio Nicolas
dc.date.accessioned2026-07-29T16:05:25Z
dc.date.available2026-07-29T16:05:25Z
dc.date.issued2023
dc.descriptionInforme de Habilitación Profesional presentado a la Facultad de Ingeniería de la Universidad Católica de la Santísima Concepción para optar al grado académico de Licenciado en Ciencias de la Ingeniería y al título de Ingeniero Civil Eléctrico.
dc.description.abstractLa domótica es una nueva tecnología que ayuda en muchos aspectos a las personas en su día a día, por lo cual ya no es una opción tan lejana querer incursionar en esta nueva tecnología. Por ende, en este proyecto se busca examinar, entender y caracterizar patrones de comportamiento de una persona dentro de un ambiente común, como lo es la casa donde una persona reside y pasa en medida, poco o gran parte de su tiempo, para en un futuro poder optimizar esta tecnología que ya está presente en la actualidad. Se realizó una investigación utilizando una base de datos sobre actividades diarias junto con 6 modelos de aprendizaje automático. Estos modelos, que incluyen K-vecinos más cercanos (KNN), Árbol de decisión (DT), Bosques aleatorios (RF), Maquina de soporte vectorial (SVM), Perceptrón multicapa (MLP) y Maquina de potenciación de gradiente (GBM), fueron entrenados y evaluados con diferentes conjuntos de datos. Cinco de ellos se construyeron siguiendo pasos de segmentación de datos, ajuste de hiperparámetros y pruebas finales para maximizar su rendimiento. El sexto modelo se generó mediante una herramienta del software usado. Se empleó la matriz de confusión para comparar los modelos y analizar los errores. Cuatro métricas (Accuracy, Precision, Recall y F1-score) se calcularon a partir de esta matriz para cuantificar numéricamente los errores en la clasificación de datos. La GBM demostró el mejor rendimiento entre los modelos evaluados, logrando resultados sobresalientes en las métricas y aproximándose al resultado ideal. El segundo lugar lo ocupó el modelo KNN, a pesar de algunos errores en su matriz de confusión y un rendimiento inferior al GBM. Sin embargo, se mantuvo consistentemente positivo en todas las pruebas. En tercer puesto se ubicó el modelo MLP, con métricas inferiores pero una notable capacidad de generalización de datos. Por otro lado, el RF presentó el peor rendimiento, mostrando resultados decrecientes a medida que se sometía a distintos conjuntos de datos. Los resultados muestran que el modelo entregado por el propio software fue capaz de generar mejores criterios de clasificación en función de la base de datos en comparación con los modelos manuales, los cuales solo basaron su criterio en los valores de las características de cada clase.
dc.identifier.urihttps://tesis.ucsc.cl/handle/25022009/4567
dc.language.isoes
dc.publisherUniversidad Católica de la Santísima Concepción
dc.subjectIngeniería Civil Eléctrica
dc.subjectAlgoritmo
dc.subjectReconocimiento de actividades
dc.subjectMachine Learning
dc.titleCaracterización de patrones de conducta diaria de residentes de una casa inteligente
dc.typeThesis
dspace.entity.typePublication
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
T. I C E Cabrera Matus, Ignacio -2023 .pdf
Size:
7.02 MB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Facultad de Ingeniería