Combination forecasting method using Bayesian models and a metaheuristic, case study

• David Higuita Alzate ^[1] ; Marisol Valencia Cárdenas ^[2] ; Juan Carlos Correa Morales ^[1]
  1. [1] Universidad Nacional de Colombia

     Universidad Nacional de Colombia

     Colombia

     
  2. [2] Institución Universitaria Tecnológico de Antioquia
• Localización: DYNA: revista de la Facultad de Minas. Universidad Nacional de Colombia. Sede Medellín, ISSN 0012-7353, Vol. 85, Nº. 207, 2018, págs. 337-345
• Idioma: inglés
• Títulos paralelos:
  • Método de combinación de pronósticos usando modelos Bayesianos y una metaheurística, caso de estudio
• Enlaces
  • Texto completo (pdf)
• Dialnet Métricas: 2 Citas
• Resumen
  • español

    La planeación de pronósticos de demanda de productos perecederos es importante para todo tipo de industria que los manufacture o distribuya, en especial, cuando ésta tiene un comportamiento estacional y variabilidad difícil de predecir. En este trabajo se propone una metaheurística basada en Optimización por Colonia de Hormigas (ACO) para la combinación de pronósticos de múltiples productos, basada en tres modelos: Modelo Lineal Mixto (MLM), Modelo de Regresión Bayesiana (BRM) y Modelo Bayesiano Lineal Dinámico (BDLM), los cuales hacen parte de la combinación propuesta cuyo proceso se basa en la minimización del indicador de Media de Error Absoluto Porcentual Simétrico (SMAPE). Se encuentra que las metodologías de BDLM y de BRM obtienen buenos resultados de forma individual siendo mejor esta última, no obstante, el algoritmo ACO diseñado arroja un mejor resultado, facilitando una adecuada predicción de demanda de varios productos de una empresa del sector de cárnicos

  • English

    Planning of demand forecasting for perishable products is important for any type of industry that manufactures or distributes, especially if it has a seasonal behavior and a difficult to predict variability. This paper proposes a metaheuristic based on Ant Colony Optimization (ACO) for the combination of forecasts of multiple products, based on three models: Mixed Linear Model (MLM), Bayesian Regression Model with Innovation (BRM) and Dynamic Linear Bayesian Model (BDLM), which are part of the proposed combination whose process is based on minimizing the Mean of Absolute percentage Error (SMAPE) indicator. It is found that the BDLM and BRM methodologies obtain good results on an individual basis, being better BRM, however, the ACO algorithm designed yields a better result, facilitating an adequate prediction of the demand of several products of a company in the meat buffer sector