Predicción de consumo del servicio de agua potable basado en métodos de Machine Learning en la ciudad de Iquitos

Abstract

The study developed and evaluated a prediction model for drinking water consumption in the city of Iquitos, using a sample of size 288 obtained from historical data from SENAMHI, INEI, and SEDALORETO. A quantitative, applied, and non-experimental correlational approach was used to build and test an Artificial Neural Network (ANN) model, comparing model results with historical consumption data. The accuracy of the model was evaluated using algorithms and statistical models in MATLAB, using indicators such as Mean Squared Error (MSE), Correlation Coefficient (R), Mean Absolute Percentage Error (MAPE), and Coefficient of Determination (R2). The results showed that the RNA model presented a high performance in terms of precision in the training, validation and test set, with MSEs of 99736607.27x10-8, 283364279.46x10-8 and 373108841.22x10-8, and correlation coefficients (R) of 0.996463, 0.986462 and 0.984320, respectively. The prediction model for drinking water consumption in the city of Iquitos showed a MAPE of 1.72%, a correlation of 0.909 and a coefficient of determination (r2) of 0.826, which suggests a strong positive relationship between the variables and a capacity acceptable value of the model to accurately predict drinking water consumption. In conclusion, the Machine Learning model used proved to be effective in predicting drinking water consumption in the city of Iquitos, which can improve efficiency in resource management and guarantee an adequate supply of drinking water to the population.

El estudio desarrolló y evaluó un modelo de predicción de consumo de agua potable en la ciudad de Iquitos, utilizando una muestra de tamaño 288 obtenida de datos históricos de SENAMHI, INEI y SEDALORETO. Se empleó un enfoque cuantitativo, aplicado y correlacional no experimental para construir y evaluar un modelo de Red Neuronal Artificial (RNA), comparando los resultados del modelo con los datos históricos de consumo. La precisión del modelo se evaluó utilizando algoritmos y modelos estadísticos en Matlab, utilizando indicadores como el Error cuadrático medio (MSE), el Coeficiente de correlación (R), el error porcentual absoluto medio (MAPE) y el coeficiente de determinación (R2). Los resultados mostraron que el modelo de RNA presentó un alto rendimiento en términos de precisión en el conjunto de entrenamiento, validación y prueba, con MSE de 99736607.27x10-8, 283364279.46x10-8 y 373108841.22x10-8, y coeficientes de correlación (R) de 0.996463, 0.986462 y 0.984320, respectivamente. El modelo de predicción para el consumo de agua potable en la ciudad de Iquitos mostró un MAPE del 1.72%, una correlación de 0.909 y un coeficiente de determinación (r2) de 0.826, lo que sugiere una fuerte relación positiva entre las variables y una capacidad aceptable del modelo para predecir con precisión el consumo de agua potable. En conclusión, el modelo de Machine Learning utilizado demostró ser efectivo en la predicción del consumo de agua potable en la ciudad de Iquitos, lo que puede mejorar la eficiencia en la gestión de recursos y garantizar un suministro adecuado de agua potable a la población.