Modelo de proyección de la demanda basado en redes neuronal recurrentes de memoria a corto y largo plazo (LSTM) a través del análisis multivariante para la industria Láctea
Las industrias lácteas del Ecuador tienen un lento crecimiento en la utilización de nuevas tecnologías para el desarrollo de pronósticos multivariables, los mismos que proporcionan mayor confiabilidad en sus resultados. El uso de pronósticos tradicionales generalmente presenta altos niveles de er...
| Main Author: | |
|---|---|
| Other Authors: | |
| Format: | bachelorThesis |
| Language: | spa |
| Published: |
Universidad de Cuenca
2023
|
| Subjects: | |
| Online Access: | http://dspace.ucuenca.edu.ec/handle/123456789/40714 |
| _version_ | 1785802490172669952 |
|---|---|
| author | Guñanzaca Vallejo, Mónica Fernanda |
| author2 | Guamán Guachichulca, Noe Rodrigo |
| author_facet | Guamán Guachichulca, Noe Rodrigo Guñanzaca Vallejo, Mónica Fernanda |
| author_sort | Guñanzaca Vallejo, Mónica Fernanda |
| collection | DSpace |
| description | Las industrias lácteas del Ecuador tienen un lento crecimiento en la utilización de nuevas
tecnologías para el desarrollo de pronósticos multivariables, los mismos que proporcionan mayor
confiabilidad en sus resultados. El uso de pronósticos tradicionales generalmente presenta altos niveles
de error en las predicciones originando problemas como el sobre stock, la rotura de inventario, e incluso
que muchos de sus productos tengan que ser descartados debido a que el tiempo de vida útil llego a su
fin. Hay que resaltar que la elaboración de estos pronósticos es el primer paso para la planificación del
abastecimiento, producción, mano de obra e incluso la cantidad de vehículos necesarios para el
transporte del producto. Por tal razón se propone el uso de Deep Learning para la elaboración de
pronósticos de demanda, integrando en el modelo de Redes Neuronales Recurrentes – Memoria a Corto
y Largo Plazo (LSTM) algunas variables independientes que afectan al comportamiento de las ventas,
estableciendo una comparativa entre el uso del modelo univariante frente al modelo multivariante,
mediante la evaluación de las métricas de desempeño. Teniendo como objetivo demostrar la reducción
del error en MAPE haciendo uso del modelo multivariado.
La metodología utilizada se divide en tres fases generales que corresponden a la revisión de
trabajos relacionados y marco teórico, recolección y preparación de datos y por último el análisis de los
resultados obtenidos en cada modelo.
Se utilizaron variables independientes tanto endógenas como exógenas, logrando obtener una
reducción del MAPE que va desde el 1% al 8% frente al modelo univariado, esto mejora las
predicciones y aumenta el nivel de confianza, ya que se toma en cuenta características que interfieren
en la demanda. Sin embargo, hay que tomar en cuenta que estas predicciones pueden mejorar haciendo
uso de una cantidad de datos mayor a lo utilizado en este estudio. |
| format | bachelorThesis |
| id | oai:dspace.ucuenca.edu.ec:123456789-40714 |
| institution | Universidad de Cuenca |
| language | spa |
| publishDate | 2023 |
| publisher | Universidad de Cuenca |
| record_format | dspace |
| spelling | oai:dspace.ucuenca.edu.ec:123456789-407142023-01-13T14:33:08Z Modelo de proyección de la demanda basado en redes neuronal recurrentes de memoria a corto y largo plazo (LSTM) a través del análisis multivariante para la industria Láctea Guñanzaca Vallejo, Mónica Fernanda Guamán Guachichulca, Noe Rodrigo Ingeniería Industrial Gestión Industria láctea Planificación Aprendizaje automático Redes neuronales Las industrias lácteas del Ecuador tienen un lento crecimiento en la utilización de nuevas tecnologías para el desarrollo de pronósticos multivariables, los mismos que proporcionan mayor confiabilidad en sus resultados. El uso de pronósticos tradicionales generalmente presenta altos niveles de error en las predicciones originando problemas como el sobre stock, la rotura de inventario, e incluso que muchos de sus productos tengan que ser descartados debido a que el tiempo de vida útil llego a su fin. Hay que resaltar que la elaboración de estos pronósticos es el primer paso para la planificación del abastecimiento, producción, mano de obra e incluso la cantidad de vehículos necesarios para el transporte del producto. Por tal razón se propone el uso de Deep Learning para la elaboración de pronósticos de demanda, integrando en el modelo de Redes Neuronales Recurrentes – Memoria a Corto y Largo Plazo (LSTM) algunas variables independientes que afectan al comportamiento de las ventas, estableciendo una comparativa entre el uso del modelo univariante frente al modelo multivariante, mediante la evaluación de las métricas de desempeño. Teniendo como objetivo demostrar la reducción del error en MAPE haciendo uso del modelo multivariado. La metodología utilizada se divide en tres fases generales que corresponden a la revisión de trabajos relacionados y marco teórico, recolección y preparación de datos y por último el análisis de los resultados obtenidos en cada modelo. Se utilizaron variables independientes tanto endógenas como exógenas, logrando obtener una reducción del MAPE que va desde el 1% al 8% frente al modelo univariado, esto mejora las predicciones y aumenta el nivel de confianza, ya que se toma en cuenta características que interfieren en la demanda. Sin embargo, hay que tomar en cuenta que estas predicciones pueden mejorar haciendo uso de una cantidad de datos mayor a lo utilizado en este estudio. The dairy industries of Ecuador have a slow growth in the use of new technologies for the development of multivariable forecasts, the same ones that provide greater reliability in their results. The use of traditional forecasts generally presents high levels of error in the predictions, causing problems such as overstock, inventory breaks, and even many of its products having to be discarded due to the end of their useful life. It should be noted that the preparation of these forecasts is the first step for planning supply, production, labor and even the number of vehicles needed to transport the product. For this reason, the use of Deep Learning is proposed for the elaboration of demand forecasts, integrating in the model of Recurrent Neural Networks - Short and Long Term Memory (LSTM) some independent variables that affect the behavior of sales, establishing a comparative between the use of the univariate model versus the multivariate model, by evaluating performance metrics. With the objective of demonstrating the reduction of the error in MAPE using the multivariate model. The methodology used is divided into three general phases that correspond to the review of related works and theoretical framework, data collection and preparation, and finally the analysis of the results obtained in each model. Both endogenous and exogenous independent variables were used, achieving a reduction in the MAPE ranging from 1% to 8% compared to the univariate model, this improves the predictions and increases the level of confidence, since characteristics that interfere in the analysis are taken into account. the demand. However, it must be taken into account that these predictions can be improved by using a larger amount of data than that used in this study Ingeniero Industrial Cuenca 2023-01-13T14:33:07Z 2023-01-13T14:33:07Z 2023-01-11 bachelorThesis http://dspace.ucuenca.edu.ec/handle/123456789/40714 spa TN;534 Attribution-NonCommercial-NoDerivatives 4.0 Internacional http://creativecommons.org/licenses/by-nc-nd/4.0/ openAccess application/pdf 39 páginas application/pdf Universidad de Cuenca |
| spellingShingle | Ingeniería Industrial Gestión Industria láctea Planificación Aprendizaje automático Redes neuronales Guñanzaca Vallejo, Mónica Fernanda Modelo de proyección de la demanda basado en redes neuronal recurrentes de memoria a corto y largo plazo (LSTM) a través del análisis multivariante para la industria Láctea |
| title | Modelo de proyección de la demanda basado en redes neuronal recurrentes de memoria a corto y largo plazo (LSTM) a través del análisis multivariante para la industria Láctea |
| title_full | Modelo de proyección de la demanda basado en redes neuronal recurrentes de memoria a corto y largo plazo (LSTM) a través del análisis multivariante para la industria Láctea |
| title_fullStr | Modelo de proyección de la demanda basado en redes neuronal recurrentes de memoria a corto y largo plazo (LSTM) a través del análisis multivariante para la industria Láctea |
| title_full_unstemmed | Modelo de proyección de la demanda basado en redes neuronal recurrentes de memoria a corto y largo plazo (LSTM) a través del análisis multivariante para la industria Láctea |
| title_short | Modelo de proyección de la demanda basado en redes neuronal recurrentes de memoria a corto y largo plazo (LSTM) a través del análisis multivariante para la industria Láctea |
| title_sort | modelo de proyección de la demanda basado en redes neuronal recurrentes de memoria a corto y largo plazo (lstm) a través del análisis multivariante para la industria láctea |
| topic | Ingeniería Industrial Gestión Industria láctea Planificación Aprendizaje automático Redes neuronales |
| url | http://dspace.ucuenca.edu.ec/handle/123456789/40714 |
| work_keys_str_mv | AT gunanzacavallejomonicafernanda modelodeproyecciondelademandabasadoenredesneuronalrecurrentesdememoriaacortoylargoplazolstmatravesdelanalisismultivarianteparalaindustrialactea |