Predicción del riesgo operativo en atraques mediante técnicas de aprendizaje automático

Abstract

[Resumen] Este Trabajo Fin de Grado presenta SmartDock, un sistema de apoyo a la decisión para estimar el riesgo operativo de fondeo en atraques portuarios a partir de variables ambientales, oceanográficas y de sensores. El problema se aborda como una tarea de clasificación altamente desbalanceada, donde los eventos críticos son poco frecuentes pero tienen un impacto operativo relevante. El proyecto desarrolla un pipeline reproducible de preparación de datos, ingeniería de características, validación cruzada estratificada, calibración de probabilidades, monitorización e inferencia. La línea tabular compara XGBoost y redes neuronales multicapa; la línea temporal incorpora LSTM y GRU con ventanas causales de 12 y 24 horas. Además, se implementan una API REST con FastAPI, un dashboard en Streamlit y una PWA móvil que consumen el mismo contrato de predicción. Los resultados muestran un rendimiento elevado bajo validación cruzada estratificada: XGBoost alcanza F1 = 0,9822 en binario y la red neuronal multiclase optimizada obtiene F1-macro = 0,9601. Una auditoría posterior detecta optimismo en la primera evaluación recurrente por mezcla de ventanas solapadas. El protocolo corregido usa cortes cronológicos, purga y un último 10% no visto: LSTM 24h mejora el F1 binario de 0,195 a 0,595 respecto al mejor control tabular, y GRU 24h mejora el F1-macro multiclase de 0,415 a 0,547. El descenso absoluto revela drift temporal, mientras la ventaja relativa respalda el valor del histórico y motiva monitorización y reentrenamiento.

[Abstract] This Bachelor’s Thesis presents SmartDock, a decision-support system for estimating operational berthing risk from environmental, oceanographic and sensor variables. The task is formulated as a highly imbalanced classification problem, where critical events are rare but operationally important. The project builds a reproducible pipeline for data preparation, feature engineering, stratified cross-validation, probability calibration, monitoring and inference. The tabular branch compares XGBoost and multilayer neural networks, while the temporal branch introduces LSTM and GRU recurrent models with causal 12-hour and 24-hour windows. A FastAPI REST API, a Streamlit dashboard and a mobile PWA share the same prediction contract. The final results show strong stratified cross-validation performance: XGBoost reaches F1 = 0.9822 in the binary task and the optimized multiclass neural network reaches macro-F1 = 0.9601. A later audit identifies optimism in the first recurrent evaluation due to randomly mixed overlapping windows. The corrected protocol uses chronological splits, purging and an unseen final 10%: a 24-hour LSTM improves binary F1 from 0.195 to 0.595 over the best tabular control, while a 24-hour GRU improves multiclass macro-F1 from 0.415 to 0.547. The absolute decrease exposes temporal drift, whereas the relative gain supports the value of causal history and motivates monitoring and retraining.