| dc.contributor.advisor |
Cruz Ramírez, Eduardo Segundo , Director |
|
| dc.contributor.author |
Intriago Sánchez, Noelia Alejandra |
|
| dc.contributor.author |
Landeta Púa, Daniela Cithalli |
|
| dc.creator |
ESPOL.FIEC |
|
| dc.date.accessioned |
2024-02-26T16:01:39Z |
|
| dc.date.available |
2024-02-26T16:01:39Z |
|
| dc.date.issued |
2023 |
|
| dc.identifier.citation |
Intriago Sánchez, N. A. y Landeta Púa, D. C. (2023). Modelo para pronosticar la demanda de alimentos balanceados en el sector acuícola. [Proyecto Integrador]. ESPOL.FIEC . |
|
| dc.identifier.uri |
http://www.dspace.espol.edu.ec/handle/123456789/60502 |
|
| dc.description |
ExpoCam, empresa en la industria de alimentos balanceados para acuicultura, enfrenta desafíos de sobreproducción y escasez debido a predicciones inexactas de demanda. El proyecto se centró en desarrollar un modelo de aprendizaje automático para mejorar la predicción de demanda y optimizar la producción. Utilizando datos históricos de ventas, exportaciones, precio del camarón y materias primas, se implementó un modelo de redes neuronales LSTM (Long-Short Term Memory, por sus siglas en inglés). Este enfoque permitió capturar patrones temporales complejos en los datos. Se creó también un dashboard interactivo para visualizar predicciones de ventas futuras por cliente y producto. El modelo de series de tiempo logró predecir con éxito las ventas del mes siguiente, mejorando la gestión de la cadena de suministro y el inventario en ExpoCam, y reduciendo notablemente los problemas de sobreproducción y escasez. Estos resultados evidencian la efectividad del aprendizaje automático en la optimización de la planificación y gestión de la producción. Como conclusión, el proyecto demuestra que la integración de tecnologías avanzadas, como el aprendizaje automático y series de tiempo, en los procesos de producción puede conducir a operaciones más eficientes y rentables, resaltando su valor en la industria de acuicultura. Palabras Clave: Alimentos balanceados, Aprendizaje Automático, Series de Tiempo |
|
| dc.format |
application/pdf |
|
| dc.format.extent |
33 página |
|
| dc.language.iso |
spa |
|
| dc.publisher |
ESPOL.FIEC |
|
| dc.rights |
openAccess |
|
| dc.subject |
Alimentos balanceados |
|
| dc.subject |
Aprendizaje Automático |
|
| dc.subject |
Series de Tiempo |
|
| dc.title |
Modelo para pronosticar la demanda de alimentos balanceados en el sector acuícola |
|
| dc.type |
Ingeniera en Ciencias de la Computación |
|
| dc.identifier.codigoespol |
T-114033 |
|
| dc.description.city |
Guayaquil |
|
| dc.description.degree |
Escuela Superior Politécnica del Litoral |
|
| dc.identifier.codigoproyectointegrador |
TECH-330 |
|
| dc.description.abstractenglish |
ExpoCam, a company in the aquaculture feed industry, faces challenges of overproduction and shortages due to inaccurate demand predictions. The project focused on developing a machine learning model to improve demand prediction and optimize production. Using historical data on sales, exports, shrimp price and raw materials, a Long-Short Term Memory (LSTM) model was implemented. This approach allowed capturing complex temporal patterns in the data. An interactive dashboard was also created to visualize future sales predictions by customer and product. The time series model successfully predicted next month's sales, improving supply chain and inventory management at ExpoCam, and significantly reducing overproduction and shortage problems. These results demonstrate the effectiveness of machine learning in optimizing production planning and management. In conclusion, the project demonstrates that the integration of advanced technologies, such as machine learning and time series, into production processes can lead to more efficient and profitable operations, highlighting their value in the aquaculture industry. Keywords: Balanced Feeds, Machine Learning, Time Series |
|