Demand forecasting for inventory management using limited data sets.

El objetivo principal de este documento es presentar una forma de resolver problemas de pronóstico utilizando herramientas de código abierto para el análisis de series temporales. Primero presentamos una introducción al sector de hidrocarburos y análisis de series de tiempo, luego nos enfocamos en los métodos de solución basados en aprendizaje supervisado capacitado (regresión de vectores de soporte) con algoritmos bioinspirados (optimización de enjambre de partículas). Exponemos Algunos beneficios del uso admiten máquinas de vectores y herramientas de código abierto que se enfocan en variables como tendencia y estacionalidad (en este trabajo elegimos el paquete fb-profhet y soporte regresor de vectores con scikit-learn como herramientas principales porque tienen resultados representativos relacionados con conjuntos de datos limitados y optimización de enjambre de partículas como algoritmo de entrenamiento debido a su velocidad y adaptabilidad). Finalmente mostramos los resultados y compararlos con su RMSE obtenido.

• Fecha de publicación: 2020
• Institución: Universidad de Bogotá Jorge Tadeo Lozano
• Repositorio: Expeditio: repositorio UTadeo
• OAI Identifier: oai:expeditiorepositorio.utadeo.edu.co:20.500.12010/11334
• Acceso en línea: http://hdl.handle.net/20.500.12010/11334; http://expeditio.utadeo.edu.co
• Palabra clave: Optimización de enjambre de partículas; Fb-Prophet; Soporte regresor de vectores; Series temporales pequeñas; Hidrocarburos; Pronóstico; Costo de transporte; Distribución física de mercancías; Control de inventarios; Ingeniería industrial -- Trabajos de grado
• License: Abierto (Texto Completo)