Pronóstico de demanda mediante series temporales y redes neuronales aplicado a una empresa del sector ferretero.

Abstract

El pronóstico de series de tiempo sigue siendo unos de los campos con constante investigación y desarrollo, desde el boom del llamado deep learning a este campo se han incluido el uso de redes neuronales como uno de los caminos para mejorar los resultados de los modelos actuales. El presente proyecto genera 10 modelos diferentes usando modelos Box-Jenkins, Modelos estado-espacio para suavización exponencial (ETS) y una arquitectura de red neuronal con capas convolucionales, long short time memory and dense, los cuales se evalúan sobre una muestra de series mensuales de la M4 Competition para luego escoger un modelo a ser aplicado a los productos de una empresa del sector ferretero. En esta muestra los mejores resultados, en términos del sMAPE, se obtuvieron con el modelo de estado-espacio ETS y con un modelo que es el resultado de la combinación aritmética entre los modelos de suavización exponencial y ARIMA con ciertos parámetros predefinidos