Pronóstico de demanda usando redes neuronales artificiales como herramienta tecnológica en los procesos de las empresas

Tania Guadalupe Ramos García; Mirella Parada González; Ulises Martínez Contreras; Arturo Woocay Prieto; Laura Elizabeth Silva Leyva

doi:10.61117/ipsumtec.v5i5.143

Autores/as

Tania Guadalupe Ramos García Tecnológico Nacional del México https://orcid.org/0009-0006-5460-5357
Mirella Parada González Tecnológico Nacional del México https://orcid.org/0000-0002-8257-685X
Ulises Martínez Contreras Tecnológico Nacional del México https://orcid.org/0000-0002-1631-4448
Arturo Woocay Prieto Tecnológico Nacional del México https://orcid.org/0000-0001-9235-0494
Laura Elizabeth Silva Leyva Tecnológico Nacional del México https://orcid.org/0000-0002-8403-7286

DOI:

https://doi.org/10.61117/ipsumtec.v5i5.143

Palabras clave:

Red Neuronal Artificial (RNA), Inteligencia Artificial (IA), Pronóstico, Proceso

Resumen

Este artículo muestra la aplicación de las redes neuronales artificiales (RNA) en pronósticos de demanda en una empresa concretera. El objetivo fue comparar la exactitud de pronóstico obtenida al utilizar RNA en contraste con la obtenida a través de los modelos tradicionales para pronosticar utilizados actualmente por la empresa y, de esta forma constatar que es posible conseguir una exactitud mayor en los pronósticos de demanda al utilizar RNA. Para el desarrollo se utilizó la metodología de modelos de redes simples perceptrón multicapa y se realizó con el uso de datos extraídos de los programas de la empresa. Al evaluar los pasos anteriores se pudo concluir que la técnica que proporciono mayor exactitud del pronóstico es RNA, los resultados se pueden apreciar en la figura 5.

Descargas

Los datos de descargas todavía no están disponibles.

Métricas

Cargando métricas ...

Citas

Toro Ocampo, E., Mejía Giraldo, D., Salazar Isaza & H. (2004). Pronóstico De Ventas Usando Redes Neuronales. Scientia Et Technica [En Línea]. [https://doi.org/10.22517/23447214.7047.]

Robert S. Pindyck & Daniel L. (2001). Rubinfeld Microeconomía. Alhambra.

Rodríguez Rivero, M. (2016). Modelos no lineales de pronóstico de series temporales basados en inteligencia computacional para soporte en la toma de decisiones agrícolas. Tesis Doctoral. Universidad nacional de Córdoba.

Ospina Bolaños, D. (1987). Sistemas administrativos de producción y operaciones. Pereira, UTP.

Granger, C. W. & Terasvirta T. (1993). “Modelling Nonlinear Economic Relationships”. Oxford: Oxford University Pres. DOI: https://doi.org/10.1093/oso/9780198773191.001.0001

Hilera, J. Martínez, V. (1995). Redes Neuronales Artificiales; fundamentos modelos y aplicaciones. Rama Editorial.

Ma, S. & Fildes, R. (2020). Retail sales forecasting with meta-learning. European Journal of Operational Research. DOI: https://doi.org/10.1016/j.ejor.2020.05.038

Caja, O. (2020). Librería Python para el aprendizaje y la implementación de redes neuronales. Universidad Politécnica de Valencia.

Freeman, J.A. & Skapura, D.M. (1991). Neural Networks: Algorithms, Applications and Programming Techniques. Addison-Wesley, Reading.

Zhang, G.P., B.E. Patuwo, and M.Y. Hu. 2001.“A simulation study of artificial neural networks for nonlinear time-series forecasting”. Computers & Operations Research. 28(4), pp.381-396. DOI: https://doi.org/10.1016/S0305-0548(99)00123-9

Juan David Velásquez Henao. Acotación del error de modelos de redes neuronales aplicados al pronóstico de series de tiempo. UIS Ingenierías, Volumen 10, No.1, págs.65–71. Junio 2011; Facultad de Ingenierías Físico-mecánicas, UIS.

Cristian Rodríguez Rivero. Modelos no lineales de pronóstico de series temporales basados en inteligencia computacional para soporte en la toma de decisiones agrícolas. Universidad Nacional de Córdoba Facultad de Ciencias Exactas, Físicas Y Naturales. Diciembre 2006

Jay Heizer. Barry Render. Principios de administración de operaciones. Séptima edición. 2009 págs. 108 –109.

Alireza Nazemi (2013) A stochastic reconstruction framework for analysis of water resource system vulnerability to climate-induced changes in river flow regime. [https://doi.org/10.1029/2012WR012755] DOI: https://doi.org/10.1029/2012WR012755

Zhai, K., Jiang, N., Pedrycz, W. (2013) Cost prediction method based on an improved fuzzy model. The International Journal of Advanced Link. Volume 65, Issue 5 Manufacturing Technology. Springer 8, pp 10451053. DOI: https://doi.org/10.1007/s00170-012-4238-5

Villanueva E., M. (2002). Las Redes Neuronales Artificiales y su Importancia como Herramienta en la Toma de Decisiones. Trabajo de Investigación Lic.) Universidad Nacional Mayor de San Marcos. Facultad de Ciencias Matemáticas. EAP de Investigación Operativa.