Browsing by Subject "Series temporales"

Now showing 1 - 4 of 4
  • Thumbnail Image
    Item
    Desarrollo de un modelo de inteligencia artificial para la predicción de demanda en productos de alta rotación en PYMES de Ibagué
    (Pontificia Universidad Javeriana Cali, 2026) Nova Rojas, William Andrés; Mora Cardona, Mario Julián
    Las pequeñas y medianas empresas (PYMEs) minoristas suelen reponer inventario con criterios empíricos, lo que aumenta la probabilidad de desabastecimiento (ruptura de inventario y ventas perdidas) y de sobreinventario (capital inmovilizado, mayores costos de almacenamiento y merma). En este contexto, el presente trabajo de grado desarrolla y evalúa un modelo de inteligencia artificial para la predicción de demanda diaria de productos de alta rotación en dos puntos de venta minoristas ubicados en Ibagué (Mercaya y Villa Café), con el propósito de aportar una herramienta evaluada cuantitativamente y aplicable a la operación para apoyar la gestión de inventarios. Metodológicamente, se construyó un proceso reproducible que transforma datos operativos en una estructura consistente producto–día, ejecuta limpieza y estandarización, e incorpora señal temporal mediante lags y agregaciones móviles (rolling). Adicionalmente, se integran variables de calendario (día, quincena, mes y condición de día hábil) y, cuando es pertinente, contexto climático. Se entrenaron y compararon modelos de regresión lineal y ensambles basados en árboles (Random Forest, XGBoost y LightGBM) bajo un esquema de validación temporal para un horizonte de predicción de un día (h = 1). El desempeño se evaluó con métricas orientadas a una lectura operativa del error (MAE y WAPE %) y con medidas complementarias de ajuste (R2 y R2 adj ) y de penalización de errores grandes (MSE), además del tiempo de entrenamiento. Los resultados muestran que el mejor desempeño se alcanza con conjuntos compactos de variables (aprox. 9–12 variables base), lo que evidencia que aumentar el número de variables no garantiza una mejor generalización. En ambos negocios, la señal dominante proviene de la memoria temporal reciente y del calendario; en Villa Café, además, la descripción categórica del clima aporta señal contextual relevante. Random Forest presentó el mejor equilibrio global, reduciendo el error frente al entrenamiento con todas las variables: en Mercaya, el MAE disminuyó de 1075.68 a 933.04 (WAPE % de 35.85 a 31.10), y en Villa Café de 1355.22 a 1099.53 (WAPE % de 43.41 a 35.22), junto con mejoras en R2 y una menor complejidad del conjunto de variables. En conjunto, el trabajo entrega un procedimiento sostenible y replicable para apoyar decisiones de compra, reducir el desabastecimiento y el sobreinventario, y estandarizar la reposición mediante un ciclo de mejora continua basado en evidencia.
  • Thumbnail Image
    Item
    Detección de anomalías en datos meteorológicos mediante métodos de análisis avanzados
    (Pontificia Universidad Javariana Cali, 2025) Mena Ramírez, Yamuna Devi; Buss Molina, Antal Alexander
    Dada la creciente incidencia de fenómenos climáticos, como ciclones, sequías e intensas lluvias, anticipar y estudiar los cambios en las condiciones atmosféricas se ha convertido en una prioridad para países como Colombia, que cuentan con amplias áreas costeras. Estos eventos representan no solo un riesgo significativo para el medio ambiente y la seguridad, sino que también exigen un entendimiento profundo de las dinámicas atmosféricas. Las series de tiempo meteorológicas son herramientas clave en este contexto, ya que permiten el monitoreo continuo de variables climáticas, como la temperatura, la presión, la humedad y la precipitación, facilitando la identificación y estudio de patrones y anomalías que podrían anticipar eventos climáticos. En este contexto, se abordaron las limitaciones actuales en la detección de anomalías en los datos meteorológicos de la Dirección General Marítima en Colombia, siguiendo la metodología CRoss Industry Standard Process for Data Mining (CRISP-DM). Se propuso un enfoque híbrido que combina un algoritmo estadístico diseñado para la detección de anomalías naturalmente imposibles relacionadas con sensores, con un método más robusto que permite detectar días completos como eventos anómalos, en el que se seleccionaron las series multivariadas mediante un análisis de correlación, donde se identificaron las variables que presentaban mayor interdependencia. Luego, se aplicó el clustering utilizando los algoritmos K-means y DBSCAN, con enfoques tanto locales como globales. Los mejores resultados de evaluación se obtuvieron con el enfoque global aplicado a la serie multivariada que incluye temperatura del aire y humedad relativa, mostrando un puntaje de silueta de 0.67 y un índice de Davies Bouldin 0.54 para DBSCAN.
  • Thumbnail Image
    Item
    Evaluación de covariables exógenas en un modelo de series temporales para la predicción de eventos de Dengue en Cali, Valle del Cauca
    (Pontificia Universidad Javeriana Cali, 2025) Castillo Hurtado, Juan David; Arango Londoño, David
    Este trabajo evalúa si la incorporación de covariables exógenas mejora la predicción semanal de casos de dengue en Cali (Colombia). Se construyeron y compararon cuatro modelos de series de tiempo: SARIMA univariado (A) y tres SARIMAX con predictores exógenos (B: meteorología semanal agregada de NASA POWER; C: índices de búsqueda en Google Trends; y D: Combina B y C). El periodo de datos fue 2007-2024; la validación fuera de muestra se realizó año a año para 2021-2024 mediante un esquema rolling-origin con ventana móvil. El ajuste consideró transformación Box-Cox y selección automática de órdenes; la evaluación incluyó métricas puntuales (MAE, RMSE, MAPE, MASE), desempeño probabilístico (coberturas 80/95 % e interval score) y pruebas de contraste: Diebold-Mariano contra una línea base seasonal naive estacional y Ljung Box sobre residuos. En 2021-2022 los modelos con exógenas redujeron errores y mostraron DM favorables frente a snaive, evidenciando valor añadido en regímenes estacionales “típicos”. En 2023, año epidémico atípico, el rendimiento se degradó y la línea base igualó o superó a los modelos, apuntando a la necesidad de capturar no linealidades y cambios de régimen. En 2024 se recuperó la calibración (altas coberturas) a costa de intervalos más anchos, lo que sugiere incertidumbre ampliada tras el quiebre de 2023. Globalmente, clima y búsquedas aportan señales complementarias (físico-biológica y conductual), y su integración es la vía más prometedora para un sistema de alerta temprana robusto; metodológicamente se recomienda modelar umbrales/no linealidades, incorporar forzantes de gran escala (ENSO) y reentrenar tras años extremos.
  • Thumbnail Image
    Item
    Prototipo de identificación y clasificación de anomalías provenientes en Logfiles de la red CORE-MPLS de EMCALI para el evento de Potencia Óptica de la interfaz de comunicación
    (Pontificia Universidad Javeriana Cali, 2026) Zapato Castaño, William; Cano Salgado, Daniel; Mora Cardona, Mario Julián
    El presente proyecto desarrolló un prototipo AIOps para la predicción anticipada de eventos de degradación de potencia óptica en las interfaces de la red CORE-MPLS de EMCALI E.I.C.E. E.S.P., mediante el análisis de registros de sistema (syslogs) utilizando técnicas de aprendizaje automático y aprendizaje profundo. La problemática central radica en que la gestión tradicional del Centro de Operaciones de Red (NOC) opera de forma reactiva, detectando fallas en las interfaces ópticas solo después de producirse, con el consecuente impacto en los Acuerdos de Nivel de Servicio (SLA) y en la continuidad de los servicios de telecomunicaciones. El objetivo general fue construir un prototipo funcional capaz de clasificar anomalías en archivos de log de la red CORE-MPLS de EMCALI para apoyar la toma de decisiones proactiva del equipo de soporte técnico. La metodología siguió el marco de referencia ASUM-DM (Analytics Solutions Unified Method for Data Mining), estructurado en ocho fases que abarcaron desde la comprensión del negocio y la ingeniería de características hasta la construcción de un prototipo de reporte operativo. A partir de aproximadamente 192,000 líneas de syslogs crudos se construyeron 67,187 ventanas temporales de 60 segundos con 14 características de ingeniería, incluyendo estadísticos móviles de eventos, telemetría óptica (potencia Rx/Tx en dBm) y derivadas temporales de anomalías. Se evaluaron cinco modelos (ARIMA, Regresión Logística, XGBoost, Isolation Forest y LSTM) bajo un esquema estricto de separación temporal que garantizó la ausencia de filtración de información futura (data leakage). Los resultados demostraron la superioridad del modelo LSTM para capturar la dinámica temporal secuencial de los eventos de red, alcanzando un Recall del 90\% sobre el conjunto de prueba, detectando 135 de 150 eventos positivos. En la interfaz con mayor densidad de telemetría óptica (XGigabitEthernet3/0/0), el modelo obtuvo un F1-Score del 61.54\% (Precisión: 50\%, Recall: 80\%), proporcionando una ventana de anticipación aproximada de una hora para la ejecución de acciones preventivas. El prototipo fue entregado como un paquete Python modular con interfaz de línea de comandos (CLI) que genera reportes operativos en formato HTML, demostrando la viabilidad técnica del enfoque propuesto y aportando evidencia preliminar de su viabilidad operativa sobre el escenario evaluado.