Sanz Bobi, Miguel Ángel Martínez Ruiz, Lucía Universidad Pontificia Comillas, Facultad de Ciencias Económicas y Empresariales 2025-10-06T10:25:31Z 2025-10-06T10:25:31Z 2026 http://hdl.handle.net/11531/105896 Grado en Análisis de Negocios/Business Analytics y Máster Universitario en Ingeniería de Telecomunicación Este proyecto desarrolla un marco de trabajo basado en datos para analizar incidentes ferroviarios relacionados con la catenaria a partir de registros operativos históricos. Su objetivo principal es transformar datos brutos en una herramienta de apoyo a la toma de decisiones que conecte el análisis técnico con la gestión estratégica de la infraestructura ferroviaria. El sistema se estructura en tres pilares principales: la clasificación de incidentes, la predicción de su impacto operativo en términos de retrasos y cancelaciones, y la traducción de dichos efectos a términos económicos mediante indicadores clave de rendimiento (KPIs). La metodología combina técnicas de procesamiento de lenguaje natural, en particular TF-IDF, para extraer información relevante de las descripciones textuales de los incidentes, con algoritmos de aprendizaje automático y clustering, como K-Means, para segmentar las líneas ferroviarias según sus perfiles de disrupción. Este enfoque modular permite un análisis escalable, interpretable y preciso, capaz de identificar patrones recurrentes en los datos históricos y de apoyar la priorización de actuaciones. Los resultados muestran que los registros operativos contienen señales predictivas útiles para identificar incidencias relacionadas con la catenaria y estimar su impacto. Además, el análisis de clustering permite detectar áreas y grupos de líneas con distinto nivel de riesgo operativo. Finalmente, la incorporación de una capa económica hace posible cuantificar la carga financiera anual asociada a estos eventos y su variabilidad temporal. En conjunto, el proyecto demuestra el valor del machine learning como apoyo a la optimización del mantenimiento y a la mejora de la continuidad del servicio ferroviario. This project develops a data-driven framework for analyzing railway incidents related to catenary systems using historical operational records. Its main objective is to transform raw incident data into a decision-support tool that links technical analysis with strategic infrastructure management. The framework is organized around three main pillars: incident classification, prediction of operational impact in terms of delays and cancellations, and translation of these effects into economic terms through key performance indicators (KPIs). The methodology combines natural language processing techniques, particularly TF-IDF, to extract relevant information from incident descriptions, with machine learning and clustering methods such as K-Means to segment railway lines according to their disruption profiles. This modular approach enables a scalable, interpretable, and precise analysis capable of identifying recurring patterns in historical data and supporting the prioritization of maintenance actions. The results show that operational records contain useful predictive signals for identifying catenary-related incidents and estimating their impact. In addition, the clustering analysis helps detect critical areas and groups of lines with different levels of operational risk. Finally, the incorporation of an economic layer makes it possible to quantify the annual financial burden associated with these events and their variability over time. Overall, the project demonstrates the value of machine learning as a support tool for maintenance optimization and for improving the continuity of railway service. application/pdf en-GB Attribution-NonCommercial-NoDerivs 3.0 United States http://creativecommons.org/licenses/by-nc-nd/3.0/us/ KBA Quantifying the Business Impact of Catenary Failures in Railway Operations info:eu-repo/semantics/bachelorThesis info:eu-repo/semantics/openAccess Analítica de incidencias ferroviarias, Catenaria, Aprendizaje Automático, Mantenimiento Predictivo, Modelado de Costes. Railway incident analytics, Catenary, Machine Learning, Predictive Maintenance, Cost Modelling.