Optimización del rendimiento predictivo mediante la selección de configuraciones de modelos: Un enfoque de conjunto

• Autores: Carlos García Aroca
• Directores de la Tesis: María Asunción Martínez Mayoral (dir. tes.) , Javier Morales Socuéllamos (codir. tes.) , Joaquín Sánchez Soriano (tut. tes.)
• Lectura: En la Universidad Miguel Hernández de Elche ( España ) en 2026
• Idioma: español
• Tribunal Calificador de la Tesis: José María Amigó García (presid.) , Ana Corberán Vallet (secret.) , Pau Miró-Martínez (voc.)
• Texto completo no disponible (Saber más ...)
• Resumen

  • Resumen de la tesis: Optimización del rendimiento predictivo mediante la selección de configuraciones de modelos: Un enfoque de conjunto Autor: Carlos García Aroca Directora: Dra. Mª Asunción Martínez Mayoral Codirector: Dr. Javier Morales Socuéllamos Universidad: Miguel Hernández de Elche La presente investigación tuvo su origen en el trabajo del autor como analista de procesos y planificador en la cadena de suministro de las empresas aeronáuticas Airbus GmbH y Satair A/S, donde constató la necesidad de una búsqueda constante de conocimiento del mercado de consumo y de técnicas de pronóstico para optimizar producción, logística, compras y reducir costes y almacenamiento. Esta necesidad, lleva a las empresas a demandar técnicas capaces de analizar de forma dinámica a lo largo del tiempo, la información sobre las intenciones de los consumidores, y poder prever con ella el aprovisionamiento de materiales y la planificación de la producción. Es un hecho que el nivel competitivo actual, impuesto por los mercados globalizados, obliga a las empresas a utilizar, desarrollar e integrar métodos y modelos estadísticos para pronosticar la demanda en el corto, medio y largo plazo, con la mayor exactitud posible.

    La previsión de la demanda es un aspecto fundamental de la gestión del inventario en cualquier industria, a fin de determinar los niveles de existencias y estimar con precisión la demanda futura de artículos. Sin una buena predicción de la demanda, las inversiones en existencias y el almacenamiento y mantenimiento de las mismas, podrían ser muy elevadas. Para dar respuesta a estos problemas reales en la industria, decidimos profundizar en el estudio de los métodos y modelos de predicción simple y combinados, enfocándonos al comienzo, en la predicción de la demanda a partir de datos históricos estructurados como series temporales.

    Durante el transcurso de la investigación, pero aún al inicio, tal y como se expone en las diferentes secciones que integran esta tesis y en los artículos publicados, se vio la conveniencia de ampliar el campo de la investigación más allá de la predicción de la demanda, y abordar el estudio de series temporales relativas a cualquier actividad económica, mediante nuevas metodologías y técnicas que automatizaran, en la medida de lo posible, la consecución de nuevas predicciones a corto, medio y largo plazo.

    Tras una revisión estructurada de la literatura, y el descubrimiento de las últimas tendencias en técnicas de inteligencia artificial (IA) y ensamble dinámico sobre métodos y modelos de predicción para sistemas de apoyo a la toma de decisiones (DSS), que se detallan en la sección denominada Estado de la cuestión, se orientó este proyecto hacia el objetivo de generar una herramienta capaz de proporcionar a las empresas o a usuarios individuales, independientemente de su experiencia y formación en técnicas de predicción y con el menor error posible, predicciones fiables con las que llevar a cabo la planificación estratégica, la asignación de recursos, la gestión de inventarios, la evaluación de riesgos y el control de procesos y costes. Este proceso se expone detalladamente en la sección denominada Materiales y métodos, donde también se muestran las bases de datos consultadas y el proceso para obtener de ellas las series temporales utilizadas en la presente investigación.

    Con este planteamiento, diseñamos y desarrollamos un algoritmo estructurado en forma de modelo de inteligencia artificial no supervisado, capaz de combinar automáticamente las predicciones proporcionadas por varios métodos y modelos de predicción disponibles en R (R Core Team, 2020). Conseguimos inicialmente distintas propuestas de predicción “garantizada” bajo la hipótesis de mínimo error promedio y combinación de configuraciones de métodos. El proceso hasta aquí descrito, se expone en las secciones Material y métodos y en la de Discusión. El algoritmo, codificado íntegramente en R y una vez asegurada su reproducibilidad en diferentes entornos, se publicó en la plataforma OCEAN junto con una pequeña muestra de las series temporales utilizadas en nuestro estudio, de manera que fuese accesible por cualquier investigador.

    Finalmente llegamos a una propuesta que proporciona al usuario una única solución robusta y de forma totalmente automatizada, que se expone en la sección 4.3 Predicción única de la tesis. A continuación, procedemos a demostrar la validez y robustez de dicha mejor solución (sección 4.4 Robustez de la solución única), testándola frente a otras alternativas, entre las que cabe destacar los métodos combinados ForecastComb, Opera y ForecastHybrid, así como también se contrastaron los resultados obtenidos por nuestro algoritmo con los once métodos y modelos de predicción que obtuvieron una mejor clasificación en la M3 Competition. Esta evaluación y comparación de los resultados, se realizó empleando más de dieciocho mil series temporales, habitualmente utilizadas en competiciones de predicción, concretamente las M3 y M4 Competitions. Las series temporales utilizadas en la parte experimental se eligieron al azar de las bases de datos mencionadas y presentan diferentes estacionalidades y contienen datos de diferentes áreas: macro y micro economía, finanzas, demografía, industria, servicios, etc.

    Por todo ello, se concluye que hemos conseguido desarrollar un algoritmo de predicción para cualquier tipo de serie temporal, de modo automatizado y sin intervención de la experiencia analítica del usuario, que resulta ser fiable en el corto, medio y largo plazo, y proporciona a los usuarios fiabilidad, accesibilidad y fácil comprensión.

    En el marco de este contexto, se ha realizado la presente tesis doctoral "Optimización del rendimiento predictivo mediante la selección de configuraciones de modelos: Un enfoque de conjunto" cuyos objetivos han sido esbozados en los primeros párrafos del presente resumen y además, se exponen formalmente en la sección 2. Objetivos.

    De acuerdo con la Normativa vigente en la Escuela de Doctorado de la Universidad Miguel Hernández (Normativa Escuela Doctorado, 2024) esta tesis, se presenta como un compendio de tres artículos originales, dos de ellos ya publicados en revistas indexadas. Estos dos artículos son: An algorithm for automatic selection and combination of forecast models. Expert Systems with Applications (JCR: D1. SCIE: Operations Research & Management Science) y alPCA. An automatic software for the selection and combination of forecasts in monthly series. Software Impacts (Q4. ESCI: Computer Science, Software Enginnering). El tercer artículo titulado Unsupervised Automated Configuration Selection for Ensemble Prediction, se encontraba pendiente de publicación en el momento de redactar este resumen. Todos los artículos mencionados se incluyen en el Anexo II de la tesis y la relación entre ellos, se expone detalladamente en la sección 2.1 Relación entre los distintos artículos presentados en la tesis. Finalmente, en la sección 5.2 Líneas de investigación futura, se muestran nuestras propuestas para continuar la investigación.