Titulo: Modelo de Machine Learning para el Pronóstico de la Actividad Sísmica en la Ciudad de Lima
Integrantes:
Mario Arturo Masias Vilca
Anibal Ramon Suarez Montalvo
Oscanoa Mario Paucar
Juan Carlos Pacco Condori

Resumen:
La predicción de la actividad sísmica en Lima es un reto debido a la complejidad de los procesos tectónicos y la alta densidad poblacional de la ciudad. Este estudio desarrolla un modelo de machine learning para anticipar la ocurrencia de sismos significativos (magnitud ≥ 5) en una ventana de 30 días, utilizando datos históricos del Instituto Geofísico del Perú (IGP). Se compararon ocho algoritmos supervisados (Naive Bayes, XGBoost, KNN, SVM, MLP, Random Forest, entre otros), encontrando que la optimización del modelo Random Forest mediante Algoritmo Genético logró el mejor balance entre precisión y capacidad de detección. El enfoque incluyó ingeniería de variables, manejo de desbalanceo de clases y análisis exploratorio de datos, logrando modelos más robustos y útiles para la gestión del riesgo sísmico.

Impacto:
El trabajo demuestra la efectividad de los enfoques de machine learning para la predicción sísmica en contextos urbanos complejos como Lima, proporcionando herramientas valiosas para la toma de decisiones y la planificación preventiva. El marco metodológico puede ser replicado en otras regiones sísmicas, y marca una referencia para la integración de inteligencia artificial en la gestión de riesgos de desastres.

Palabras clave:
Predicción de sismos, Machine Learning, Random Forest, Algoritmo Genético, Lima, Análisis de Datos, Ingeniería de Características, Gestión de Riesgos.