Cuevas Banda, Juan FernandoPaye Alvarez, Rodrigo2026-03-222026-03-222024https://andeanlibrary.org/handle/123456789/38994Este trabajo tiene como objetivo optimizar el sistema de monitoreo para la prevención de anomalías en el transporte de combustibles líquidos mediante la aplicación de técnicas de Machine Learning. El proyecto surge como respuesta a los desafíos relacionados con la perdida de señal y los riesgos de contrabando durante el traslado de combustibles líquidos desde las plantas (PAHL) hacia las estaciones de servicio (EE.SS.). El monitoreo actual, supervisado por la Agencia Nacional de Hidrocarburos (ANH), se realiza mediante dispositivos GPS instalados en cisternas, pero enfrenta limitaciones debido a la perdida de conductividad en ciertas rutas. El objetivo principal es desarrollar un modelo de aprendizaje que permita identificar comportamientos anómalos en los patrones de transporte, detectando desvíos potenciales o actividades delictivas. Para ello, se emplea Python como lenguaje de programación, aprovechando su amplia gama de bibliotecas para análisis de datos y aprendizaje automático. La metodología incluye la limpieza y preprocesamiento de datos recopilados por sensores GPS, así como el entrenamiento de algoritmos de Machine Learning para detectar anomalías. Entre los resultados obtenidos, destaca la capacidad del sistema de aprendizaje detectar comportamientos irregulares o anómalos en tiempos durante el transporte de combustibles líquidos, permitiendo analizar estas alertas y optimizando la seguridad del transporte. Esto contribuye a reducir pérdidas económicas derivadas del contrabando y a mejorar la eficiencia operativa del sistema de transporte.esMONITOREO GPSTRANSPORTE DE COMBUSTIBLES LIQUIDOSTECNICAS DE MACHINE LEARNINGHIDROCARBUROS LIQUIDOSGPS EN CISTERNASCOMBUSTIBLES LIQUIDOS EN BOLIVIAThesis