Análisis comparativo de modelos de regresión, una alternativa para la predicción de la generación de residuos sólidos urbanos a partir de su composición
Palabras clave:
aprendizaje automático, regresión polinómica, residuos sólidos urbanos.Resumen
La creciente generación de residuos sólidos urbanos (RSU) y el cierre operativo de vertederos plantean desafíos críticos para la gestión municipal. El objetivo de este estudio fue evaluar y comparar el desempeño predictivo de tres arquitecturas de regresión: Regresión Polinómica de segundo orden (RP, d=2), Regresión de Vectores de Soporte (RVS) y Extreme Gradient Boosting (XGBoost), para estimar la generación semanal de RSU a partir de los tipos de residuos generados de la semana previa (t-1). Metodológicamente, se procesó una serie temporal histórica del 2010 a 2024 de un municipio de Tlaxcala, se realizó una división cronológica asignando el 80% para entrenamiento y 20% para prueba, bajo un esquema de validación cruzada temporal (TimeSeriesSplit y k=5). Los resultados empíricos demostraron que la Regresión Polinómica obtuvo un desempeño óptimo con R2 = 0.9972, superando a modelos no lineales de mayor complejidad como XGBoost con R2 = 0.9926 y SVR (R2= -1.0585). Estos resultados muestran que incrementar la complejidad algorítmica no garantiza una mayor capacidad predictiva cuando la serie conserva una fuerte estructura autorregresiva y tendencias de composición bien definidas. Se concluye que las arquitecturas paramétricas ligeras son una alternativa eficiente y de bajo costo computacional, proyectándose como un insumo cuantitativo con el potencial de apoyar la planificación logística y la toma de decisiones en la gestión municipal de residuos.
Referencias
1 Cook, E., Ionkova, K., Bhada-Tata, P., Yadav, S., & van Woerden, F. (s.f.). Panorama global de la gestión de residuos sólidos hacia la circularidad hasta 2050. https://doi.org/10.1596/978-1-4648-2309-1
2 Programa de las Naciones Unidas para el Medio Ambiente (PNUMA/UNEP). (2018). Perspectiva de la Gestión de Residuos en América Latina y el Caribe. s.l.: PNUMA. Recuperado de https://wedocs.unep.org/handle/20.500.11822/26448
3 ONU-Hábitat. (s.f.). Recolectar y eliminar residuos de manera eficiente. s.l.: ONU-Hábitat. Recuperado de https://onu-habitat.org/index.php/recolectar-y-eliminar-residuos-de-manera-eficiente
4 Secretaría de Medio Ambiente y Recursos Naturales (SEMARNAT). (s.f.). Semarnat presenta diagnóstico nacional para transformar la gestión de residuos y avanzar hacia la economía circular. Ciudad de México: Gob.mx. Recuperado de http://www.gob.mx/semarnat/prensa/semarnat-presenta-diagnostico-nacional-para-transformar-gestion-de-residuos-y-avanzar-hacia-la-economia-circular
5 Secretaría de Medio Ambiente del Estado de Tlaxcala. (2025). Diagnóstico básico y programa para la prevención, gestión integral y economía circular de los residuos del estado de Tlaxcala 2025–2027. Tlaxcala: Gobierno del Estado de Tlaxcala. Recuperado de https://cjuridica.tlaxcala.gob.mx/images/Diagnostico/DIAGNOSTICO%20BASICO%20Y%20PROGRAMA%20PARA%20LA%20PREVENCION%20GESTION%20INTEGRAL%20Y%20ECONOMIA%20CIRCULAR%20DE%20LOS%20RESIDUOS%202.12.2025.pdf
6 Gobierno del Estado de Tlaxcala. (2025, 3 de noviembre). Gobierno del Estado inicia clausura de tiraderos de Panotla y Huamantla. Tlaxcala: Coordinación de Comunicación. Recuperado de https://comunicacion.tlaxcala.gob.mx/index.php?view=article&id=20136:tlaxcala-avanza-como-referente-nacional-en-el-cierre-de-sitios-de-disposicion-final-semarnat
7 Procuraduría Federal de Protección al Ambiente (PROFEPA). (2026, 9 de enero). Profepa impone multa y clausura definitiva a relleno sanitario de Huehuetla, Puebla. Ciudad de México: Gob.mx. Recuperado de https://www.gob.mx/profepa/prensa/profepa-impone-multa-y-clausura-definitiva-a-relleno-sanitario-de-huehuetla-puebla
8 Alshaikh, R., & Abdelfatah, A. (2024). "Técnicas de optimización en la gestión de residuos sólidos municipales: una revisión sistemática". Sustainability, vol. 16, no. 15, julio de 2024, art. 6585. https://doi.org/10.3390/su16156585
9 Hannan, M. A., Akhtar, M., & Begum, R. A. (2020). "Objetivos, limitaciones, enfoques de modelado y desafíos de la optimización de la recolección de residuos sólidos para el logro de los objetivos de desarrollo sostenible". Journal of Cleaner Production, vol. 277, art. 123557, diciembre de 2020, pp. 1-15. https://doi.org/10.1016/j.jclepro.2020.123557
10 Alzate, Montoya, P. M., Bustamante Gutiérrez, L. C., & Alzate Álvarez, A. M. (2024). "Un modelo de rutas para la recolección de residuos sólidos domiciliarios: Un caso de estudio". Revista de Métodos Cuantitativos para la Economía y la Empresa, vol. 38, no. 1, junio de 2024, pp. 1-14. https://doi.org/10.46661/rev.metodoscuant.econ.empresa.7820
11 Aydemir-Karadag, A. (2022). "Algoritmo de búsqueda adaptativa de vecindario amplio con dos objetivos para el problema de enrutamiento de inventario de ubicación periódica de residuos sanitarios". Arabian Journal for Science and Engineering, vol. 47, no. 3, marzo de 2022, pp. 3861-3876. https://doi.org/10.1007/s13369-021-06106-4
12 Barma, M., & Modibbo, U. M. (2022). "Modelo de optimización matemática multiobjetivo para la gestión de residuos sólidos municipales con análisis económico de la reutilización/reciclaje de materiales de desecho recuperados". Journal of Computational and Cognitive Engineering, vol. 1, no. 3, septiembre de 2022, pp. 122-137. https://doi.org/10.47852/bonviewJCCE149145
13 Li, W., Wang, P., Xu, Y., Pan, L., Nie, C., & Yang, B. (2025). "Optimización multiobjetivo de la recolección de residuos sólidos municipales basada en la búsqueda adaptativa de vecindarios grandes". Electronics, vol. 14, no. 1, enero de 2025, art. 103. https://doi.org/10.3390/electronics14010103
14 Zhou, J., Zhang, M., & Wu, S. (2022). "Problema de enrutamiento vehicular multiobjetivo para la clasificación y recolección de residuos con consideraciones de sostenibilidad: el caso de la ciudad de Shanghái". Sustainability, vol. 14, no. 18, septiembre de 2022, art. 11498. https://doi.org/10.3390/su141811498
15 Benítez-Bravo, R., Gomez-González, R., Rivas-García, P., Botello-Álvarez, J. E., Huerta-Guevara, O. F., García-León, A. M., & Rueda-Avellaneda, J. F. (2021). "Optimización de rutas de recolección de residuos sólidos municipales en un contexto latinoamericano". Journal of the Air & Waste Management Association, vol. 71, no. 11, noviembre de 2021, pp. 1415-1427. https://doi.org/10.1080/10962247.2021.1957040
16 Aktemur, I., Erensoy, K. & Kocyigit, E. "Optimización de la recogida de residuos en ciudades inteligentes mediante el uso de algoritmos evolutivos", 2020 International Congress on Human-Computer Interaction, Optimization and Robotic Applications (HORA), Ankara, Turkey, 2020, pp. 1-8, https://doi.org/10.1109/HORA49412.2020.9152865
17 Szpilko, D., de la Torre Gallegos, A., Jiménez Naharro, F., Rzepka, A., & Remiszewska, A. (2023). "Gestión de residuos en la ciudad inteligente: prácticas actuales y direcciones futuras". Recursos, vol. 12, no. 10, octubre de 2023, art. 115. https://doi.org/10.3390/resources12100115
18 P. Koushik, S. Chattopadhyay, A. Dutta, A. P. Krishna, S. Ray, "A comprehensive optimization model for integrated solid waste management system: A case study", Revista de investigación de Ingeniería Ambiental, Volumen 24, no.2, pp 220-237, 2019. https://doi.org/10.4491/eer.2018.132
19 Abdallah, M., Abu Talib, M., Feroz, S., Nasir, Q., Abdalla, H., & Mahfood, B. (2020). "Aplicaciones de inteligencia artificial en la gestión de residuos sólidos: una revisión sistemática de la investigación". Waste Management, vol. 109, mayo de 2020, pp. 231-246. https://doi.org/10.1016/j.wasman.2020.04.057
20 Arroyo, L. A. B., Nicola, R. J. V., Moreno, W. V., & Baque, G. D. L. (2023). "La intervención de la logística en la gestión de residuos sólidos en Latinoamérica". RECIAMUC, vol. 7, no. 2, abril de 2023, pp. 328-350. https://doi.org/10.26820/reciamuc/7.(2).abril.2023.328-350
21 Subedi, A., Shrestha, S., & Paudel, S. R. (2025). "Aplicación del aprendizaje automático para la predicción de la generación de residuos sólidos". Natural Built Social Environment Health, vol. 1, no. 2, enero de 2025, pp. 14-33. https://doi.org/10.63095/NBSEH.25.831599
22 Zhang, J., Wen, Z., Hu, Y., Fei, F., Wang, Y., & Xie, Y. (2024). "Simulación de sistemas y metodología de optimización multiobjetivo para la gestión sostenible de la clasificación de residuos sólidos municipales: un estudio de caso en China". Producción y consumo sostenibles, vol. 50, noviembre de 2024, pp. 475-485. https://doi.org/10.1016/j.spc.2024.08.014
23 Khoirunisa, R., Sani, A. F., Riatma, D. L., Masbahah, M., & Rachman, Y. F. (2025).” Imputing Data and Predicting Waste with Machine Learning in East Java. Brilliance: Research of Artificial Intelligence, 5(1), 521–528. https://doi.org/10.47709/brilliance.v5i1.6461
24 Bhattacharya, S., Kalita, K., Čep, R., & Chakraborty, S. (2021). "Análisis comparativo del rendimiento predictivo de modelos de regresión durante el mecanizado de materiales compuestos". Materials, vol. 14, no. 21, noviembre de 2021, art. 6689. https://doi.org/10.3390/ma14216689
25 Soegianto, L. M., Hinandra, A. T., Suri, P. A., & Fajar, M. (2024). "Comparación del rendimiento de modelos en el sector inmobiliario utilizando regresión lineal, regresor de bosque aleatorio, SVR y redes neuronales". Procedia Computer Science, vol. 245, octubre de 2024, pp. 1139-1145. https://doi.org/10.1016/j.procs.2024.10.343
26 Xia, W., Jiang, Y., Chen, X., & Zhao, R. (2022). "Aplicación de algoritmos de aprendizaje automático en la gestión de residuos sólidos municipales: una mini revisión". Waste Management & Research, vol. 40, no. 6, junio de 2022, pp. 609-624. https://doi.org/10.1177/0734242X211033716
27 Zou, Q., Duan, H., Yang, Z., Wang, X., Tian, Y., Hou, H., & Yang, J. (2025). "Gestión del ciclo de vida de residuos sólidos asistida por aprendizaje automático: aplicaciones, limitaciones y oportunidades futuras". Resources, Conservation and Recycling, vol. 219, agosto de 2025, art. 108320. https://doi.org/10.1016/j.resconrec.2025.108320
28 Comisión Económica para América Latina y el Caribe (CEPAL). (s.f.). Objetivos de Desarrollo Sostenible (ODS). Agenda 2030 en América Latina y el Caribe. Santiago de Chile: CEPAL. Recuperado de https://agenda2030lac.org/es/objetivos-de-desarrollo-sostenible-ods
29 Wiens, M., Verone-Boyle, A., Henscheid, N., Podichetty, J. T., & Burton, J. (2025). "Un tutorial y un ejemplo práctico del algoritmo de inteligencia artificial eXtreme Gradient Boosting (XGBoost) para aplicaciones en el desarrollo de fármacos". Clinical and Translational Science, vol. 18, no. 3, marzo de 2025, art. e70172. https://doi.org/10.1111/cts.70172
30 Cerqueira, V., Torgo, L. y Mozetič, I. “Evaluación de modelos de pronóstico de series temporales: un estudio empírico sobre métodos de estimación del rendimiento”. Mach Learn 109, 1997–2028 (2020). https://doi.org/10.1007/s10994-020-05910-7
31 Yang, L., Zhao, Y., Niu, X., Song, Z., Gao, Q., & Wu, J. (2021). "Pronóstico de residuos sólidos municipales en China basado en modelos de aprendizaje automático". Fronteras en la Investigación Energética, vol. 9, diciembre de 2021, art. 763977. https://doi.org/10.3389/fenrg.2021.763977
32 Chanchí Golondrino, G. E., Campo Muñoz, W. Y., & Sierra Martínez, L. M. (2020). "Aplicación de la regresión polinomial para la caracterización de la curva del COVID-19, mediante técnicas de machine learning". Investigación e Innovación en Ingenierías, vol. 8, no. 2, julio-diciembre de 2020, pp. 87-105. https://doi.org/10.17081/invinno.8.2.4103




