En inglés
The sustainable management of Waste Electrical and Electronic Equipment (WEEE) is a critical global challenge, particularly in contexts with limited data. This study proposes a predictive model based on artificial neural networks, developed from surveys and historical records in the city of Guayaquil, with the aim of estimating WEEE generation on annual and monthly scales. The model was structured in phases of data collection, preprocessing, training, and validation, integrating sociodemographic variables and categories of discarded devices. To ensure reliability, a multi-technique validation protocol was applied, including Hold-Out, Stratified K-Fold, and Bootstrap Sampling methods. Results showed strong performance, with a coefficient of determination (R²) of 0.9125 in initial tests, an average of 0.9097 in cross-validation, and up to 0.9789 with bootstrap, significantly outperforming traditional linear regression methods. These findings confirm the model’s ability to capture non-linear relationships and produce accurate forecasts in data-scarce environments. It is concluded that neural networks represent an effective tool to support strategic planning and decision-making in sustainable WEEE management, providing a replicable framework for other regions facing similar challenges.
En español
La gestión sostenible de Residuos de Aparatos Eléctricos y Electrónicos (RAEE) constituye un desafío crítico a nivel global, especialmente en contextos con datos limitados. Este estudio propone un modelo predictivo basado en redes neuronales artificiales, desarrollado a partir de encuestas y registros históricos en la ciudad de Guayaquil, con el objetivo de estimar la generación de RAEE en periodos anuales y mensuales. El modelo se estructuró en fases de recolección, preprocesamiento, entrenamiento y verificación, integrando variables sociodemográficas y tipos de dispositivos desechados. Para garantizar su confiabilidad, se implementó un protocolo de validación multitécnica que incluyó métodos Hold-Out, K-Fold estratificado y Bootstrap Sampling. Los resultados evidenciaron un desempeño robusto, con un coeficiente de determinación (R²) de 0.9125 en pruebas iniciales, un valor promedio de 0.9097 en validación cruzada y hasta 0.9789 mediante bootstrap, superando ampliamente los métodos de regresión lineal tradicionales. Estos hallazgos confirman la capacidad del modelo para capturar relaciones no lineales y generar proyecciones precisas en entornos de datos escasos. Se concluye que las redes neuronales constituyen una herramienta eficaz para apoyar la planificación estratégica y la toma de decisiones en la gestión sostenible de RAEE, ofreciendo un marco replicable para otras regiones con desafíos similares.