Tesis profesional presentada por
Miembro del Programa de Honores. Licenciatura en Ingeniería Industrial. Departamento de Ingeniería Industrial y Mecánica. Escuela de Ingeniería, Universidad de las Américas Puebla.
Jurado Calificador
Director: Dr. Juan Antonio Díaz
García
Presidente: Dra. Daniela Cortés Toto
Secretario: Dra. Dolores Edwiges Luna Reyes
Cholula, Puebla, México a 1 de diciembre de 2023.
La predicción de la demanda es crucial para que la planeación en la cadena de suministro sea eficiente y rentable. Una red neuronal recurrente puede ser un modelo de pronósticos con alta precisión. Determinar la estructura óptima de una red neuronal recurrente (RNN) para un modelo de pronóstico preciso presenta un desafío significativo en la práctica. Esto se debe a la interacción compleja entre las capas ocultas y las neuronas en cada una de estas capas. Se desarrolló un algoritmo genético para determinar la estructura de una red neuronal recurrente con celdas de memoria de corto-largo plazo (LSTM), para realizar pronósticos con un menor error, en comparación con otros modelos existentes, tanto estadísticos como de aprendizaje automático y por conjuntos. El algoritmo genético propuesto demostró ser robusto para diseñar estas estructuras en comparaci ón con una búsqueda puramente aleatoria, tomando el mismo tiempo de ejecución. En seis series de tiempo distintas, los modelos de RNN diseñados tuvieron menor error de pronóstico (MAPE) en los datos de prueba que los modelos estadísticos. Los modelos de aprendizaje automático fueron los mejores para pronosticar los datos de prueba. En cuanto a la comparación mediante backtesting, los modelos estadísticos mostraron tener menor error de forma consistente en los distintos horizontes de tiempo. Esto se debe principalmente a la naturaleza de los modelos. No obstante, esas diferencias no resultaron ser significativas en algunos casos.
Palabras clave: Redes Neuronales Artificiales, Algoritmo Genético, Pronósticos.
Portada
Agradecimientos
Índices
Capítulo 1. Introducción
Capítulo 2. Justificación
Capítulo 3. Objetivos
Capítulo 4. Marco Teórico
Capítulo 5. Metodología
Capítulo 6. Resultados y Discusión
Capítulo 7. Conclusiones y Recomendaciones
Referencias
Goytia Morúa, M. Á. 2023. Optimización de la estructura de redes neuronales para pronósticos. Tesis Licenciatura. Ingeniería Industrial. Departamento de Ingeniería Industrial y Mecánica, Escuela de Ingeniería, Universidad de las Américas Puebla. Diciembre. Derechos Reservados © 2023.