Redes bayesianas para la sostenibilidad marítimo portuaria

Molina Serrano, Beatriz (2018). Redes bayesianas para la sostenibilidad marítimo portuaria. Thesis (Doctoral), E.T.S.I. Caminos, Canales y Puertos (UPM). https://doi.org/10.20868/UPM.thesis.52511.

Description

Title: Redes bayesianas para la sostenibilidad marítimo portuaria
Author/s:
  • Molina Serrano, Beatriz
Contributor/s:
  • González Cancelas, Nicoletta
  • Camarero Orive, Alberto
Item Type: Thesis (Doctoral)
Date: June 2018
Subjects:
Faculty: E.T.S.I. Caminos, Canales y Puertos (UPM)
Department: Ingeniería Civil: Transporte y Territorio
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img]
Preview
PDF - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (3MB) | Preview

Abstract

La Tesis persigue abordar la sostenibilidad marítimo portuaria a través de la perspectiva de inteligencia artificial usando redes bayesianas. La consecución del objetivo se alcanza mediante los objetivos parciales que se enumeran a continuación: • Definir las variables para el caso de la sostenibilidad del sistema portuario • Establecer patrones y relaciones entre las variables de sostenibilidad portuaria del Sistema Portuario Español • Predecir fenómenos y establecer criterios de decisión para la planificación y gestión portuaria • Determinar las variables principales que puedan emplear los gestores portuarios para llevar a cabo la planificación y gestión Dentro de la Tesis se ha desarrollado una metodología con redes bayesianas de manera que permite construir un modelo completo de las variables y sus relaciones, que se puede utilizar para responder a las consultas de probabilidad acerca de ellos. Por ejemplo, la red se puede utilizar para averiguar el conocimiento actualizado del estado de un subconjunto de variables cuando otras variables relativas a la gestión marítimo-portuarias se observan (variables evidencia). Este proceso de cálculo de la distribución posterior de las variables dada la evidencia que se llama inferencia probabilística. La metodología empleada en la Tesis se divide en tres fases: 1- Determinación del escenario de trabajo y se definen las variables a emplear, siendo su resultado la obtención de una base de datos. 2- Desarrollo del modelo de inteligencia artificial y construcción de la red bayesiana. 3- Análisis de los resultados obtenidos, observando las distintas relaciones obtenidas en la red bayesiana construida Dicha metodología se ha aplicado a dos escenarios distintos relacionados con la sostenibilidad marítimo portuaria: el primero de ellos, relativo al “lado tierra”, al llevar a cabo un análisis de las cuatro dimensiones de la sostenibilidad en el caso del Sistema Portuario Español, y el segundo, relativo al “lado mar”, al analizar el uso del gas natural licuado como combustible alternativo en el caso del Short Sea Shipping en Europa. Por tanto, la principal contribución de la Tesis es el uso de redes bayesianas para descubrir patrones en los grandes volúmenes de conjuntos de datos que se dan en el ámbito marítimo portuario y en concreto datos relacionados con la sostenibilidad, los cuales puedan ser usados por los gestores portuarios en la planificación y gestión. ----------ABSTRACT---------- The Thesis aims to address maritime-port sustainability through the perspective of artificial intelligence using Bayesian networks. The achievement of the objective is achieved through the partial objectives listed below: • Define the variables for sustainability of the port system • Establish patterns and relationships between the port sustainability variables of the Spanish Port System • Predicting phenomena and establishing decision criteria for port planning and management • Determine the main variables that can be used by port managers to carry out planning and management Thesis develops a methodology using Bayesian networks, because they allows to build a complete model of the variables and their relationships. This model can be used to answer the probability queries about them. For example, the network can be used to find out the updated knowledge of the state of a subset of variables when other variables related to maritime-port management are observed (evidence variables). This process of calculating the posterior distribution of the variables given the evidence is called probabilistic inference. The methodology used in the Thesis is divided into three phases: 1- Determination of the work scenario and used variables are defined, the result is a database. 2- Development of an artificial intelligence model and construction of a Bayesian network. 3- Analysis of the results obtained, observing the different relationships showed in the constructed Bayesian network This methodology has been applied to two different scenarios related to maritime port sustainability: the first of them, relative to the "land side", when carrying out an analysis of the four dimensions of sustainability in the case of the Spanish Port System, and the second, relative to the "sea side", when analyzing the use of liquefied natural gas as an alternative fuel in the case of Short Sea Shipping in Europe. Therefore, the main contribution of the Thesis is the use of Bayesian networks to discover patterns in the large volumes of data sets that occur in the maritime port area and in particular data related to sustainability, which can be used by the port managers in planning and management.

More information

Item ID: 52511
DC Identifier: http://oa.upm.es/52511/
OAI Identifier: oai:oa.upm.es:52511
DOI: 10.20868/UPM.thesis.52511
Deposited by: Archivo Digital UPM 2
Deposited on: 05 Oct 2018 06:36
Last Modified: 05 Apr 2019 22:30
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM