Comparativo de técnicas de inteligencia artificial aplicadas a pronóstico
- Izquierdo Ortiz, Cristhian Johnatan
- Montenegro Marin, Carlos Enrique
ISSN: 1909-9746, 2248-4728
Año de publicación: 2014
Volumen: 8
Número: 2
Páginas: 55-66
Tipo: Artículo
Otras publicaciones en: Visión electrónica
Objetivos de desarrollo sostenible
Resumen
La creación de un espacio de pruebas para varias técnicas de pronóstico de demanda corresponde a espacio de desarrollo de software en donde, además de probar varios algoritmos sobre una misma base de datos, estos pueden compararse unos con otros. El presente artículo, describe la construcción de una herramienta que permite generar pronósticos para que sean aprovechables en la toma de decisiones en las compras de compañías distribuidoras como la compra de productos eléctricos (cable, iluminación y accesorios), comunicaciones,tecnológicos, ropa, calzado, entre otros. Igualmente, se comparan algunas técnicas simples de pronóstico como la Media Móvil (MM) y ́Ultimo Periodo con otras técnicas como las Redes Neuronales Artificiales (RNA) y los Algoritmos Genéticos (AG), la comparación se realiza teniendo en cuenta los criterios de error de los pronósticos generados y el tiempo de procesamiento de los métodos. Se explican: el análisis, diseño, desarrollo e implementación de los métodos antes mencionados y su integración con la herramienta.
Referencias bibliográficas
- L. Mora, ”Gesti ́on Log ́ıstica Integral, Gesti ́onLog ́ıstica - FESC”, Bogot ́a: editorial ECOE, 2008,Capitulo 2 pp.118-150
- El Control y Planificaci ́on de los InventariosUnidad IV, Universidad Jose Carlos Mariategui,pp. 29–54, Julio 2005, [En l ́ınea] Disponible en:http://www.ujcm.edu.pe/bv/links/curcomercial/LogisticaEmpresarial-11.pdf
- T. Foster, “Forecasting, Demand Planning in aDifficult Economy, Global Logistics & SupplyChain Strategies”, portal:Supply Chain Brain,pp 1-4, December 2008. [En l ́ınea]. Disponible en:http://www.supplychainbrain.com/content/technology-solutions/forecasting-demand-planning/single-ar-ticle-page/article/forecasting-demand-planning-in-a-difficult-economy/
- “MercadosMelexa”,portalMelexa-SoneparSAS,Julio2013[Enl ́ınea].Disponibleen:http://www.melexa.com/mercados.
- M. Becerra, “Enterprise Resource Planning (ERP)- presentaci ́on BAAN”, Mind de Colombia, Bogot ́a,pp. 2-15, Colombia, Diciembre 2008,
- T. Fucci, “El grafico abc como tecnica de gesti ́on deinventarios”, Universidad Nacional de Lujan, BuenosAires, Argentina, pp. 1-6, Junio 1999.
- Free-Logistics,the free supply chain portal,“ ABC analysis Pareto principle ”, Free-Logistics,[Enl ́ınea].Disponibleen:http://www.free-logistics.com/index.php?option=comcontent&view=article&id=378:abc-analysis-pareto-principle&catid=67&Itemid=51.
- C. Rojas, “La desviaci ́on est ́andar y los modelos nor-males”, Universidad Aut ́onoma de Chile, pp.5-24,Octubre 2011.
- M. Oliveros, “Tema: Pron ́osticos”, Universidad delos Andes, Bogot ́a, Colombia, pp. 10–21, Septiembre2007.
- A. De Pe ̃na, P. Truyol, and G. S. Ags, “Algoritmosgen ́eticos”, Universidad Carlos III, Madrid, Espa ̃na,pp.1-8, Enero 2007.
- I. Mart ́ınez, ”Introducci ́on a las Redes Neuronales”,Universidad Complutense de Madrid, trabajo doc-toral, pp. 1–19, Junio 2005.
- A. M. Pedro Larra ̃naga, I ̃naki Inza, “Tema 8. RedesNeuronales,” in Redes Neuronales, U. del P. Vasco,p. 12-17. Ed. 2011.
- M. A. V. Reyes, C. Y. M ́arquez, and L. P. S.Fern ́andez, “Algoritmo Backpropagation para RedesNeuronales: conceptos y aplicaciones,” INSTITUTOPOLIT ́ECNICO NACIONAL, 2006.
- J. A. P. Ortiz, “Modelos predictivos basados en Re-des Neuronales recurrentes de tiempo discreto”, TesisDoctoral, Universidad de Alicante, Espa ̃na, pp. 35-63, Julio 2002.
- G. Colmenares, “CAP ́ITULO 2 TLU(s) MULTICA-PAS,” RedULA, Universidad de los Andes Venezuela,pp. 40–78. Noviembre 2004.
- J. Casellas, “Ap ́endice A: Metodolog ́ıa para la evalu-aci ́on del modelo de pron ́ostico meteorol ́ogico”, TesisDoctorales en Red. p. 3. Enero 2005.