Pronóstico de demanda utilizando inteligencia artificial.

En este proyecto se evaluó la precisión de los métodos de pronóstico de demanda por medio de la comparación entre los modelos de inteligencia artificial frente a los modelos tradicionales, haciendo uso de series de tiempo de diferentes naturalezas (tendencia, estacionales, cíclicas e irregulares). Se examinó el resultado de la métrica de error RMSE para los pronósticos SES, Holt Winters y ARIMA, los cuales consideramos tradicionales contrastados con los modelos CNN, LSTM y MLP de aprendizaje de máquina. La comparación permitió sugerir la elección óptima del modelo según la naturaleza de la serie de tiempo que se desee pronosticar. Para la realización de este proyecto se recurrió a la literatura de los últimos 3 años con la finalidad de reconocer los modelos más frecuentados, se utilizaron series de tiempo alojadas en repositorios de internet, estas se agruparon por fechas y volúmenes de demanda histórica. Se adaptaron modelos tradicionales y de aprendizaje de máquina por medio del lenguaje de programación Python en la plataforma de Google Collaborative. Finalmente, se logró demostrar que en los métodos de inteligencia artificial la precisión de la predicción es mayor a excepción de las series irregulares donde los métodos tradicionales resultaron más acertados.