Uso de aprendizaje automático para predecir la utilidad en la distribución del GLP en Lima Metropolitana

• Diego-Adolfo Vallejos-Romero ^[1] ; Christian-Carlos Deudor-Fernandez ^[1] ; Yvan-Jesus Garcia- Lopez ^[1]
  1. [1] Universidad de Lima

     Universidad de Lima

     Perú

     
• Localización: DYNA new technologies, ISSN-e 2386-8406, Vol. 9, Nº. 1, 2022
• Idioma: español
• Títulos paralelos:
  • Use of machine learning to predict profit in LPG distribution in Metropolitan Lima
• Texto completo no disponible (Saber más ...)
• Resumen
  • español

    La presente investigación de tipo cuantitativo descriptivo trata de averiguar qué modelo de aprendizaje automático es el más eficiente para predecir la utilidad de una empresa comercializadora de gas licuado de petróleo a granel en Lima Metropolitana. Para determinar utilidad diaria, la cual será variable dependiente del modelo de salida. Este parámetro dependiente tiene cinco variables independientes: precio de venta, cantidad vendida, costo de compra, costo de transporte y kilómetros recorridos, así como los valores con coeficientes de correlación más altos.

    Existen varios modelos de aprendizaje automático, para esta investigación se usarán los modelos de Redes Neuronales Artificiales, Regresión Lineal Múltiple y Bosque Aleatorio los cuales estimaron la utilidad a través de sus propios algoritmos matemáticos. Para simular los algoritmos de los modelos mencionados se utilizó el programa Python. Estos modelos fueron entrenados para el aprendizaje y validación del 70% y 30% de la base de datos, es decir de los 235 datos que se recabaron, 165 datos se usaron para calibrar y 70 datos para validar. Al hacer la comparativa entre los modelos de aprendizaje automático para la estimación de la utilidad diaria de la empresa comercializadora se obtuvo como mejor opción el modelo de Bosque Aleatorio al obtener un R2 de 0,959 y además tener los índices estadísticos de error menores respecto a los modelos de Redes Neuronales Artificiales y Regresión Lineal Múltiple.

  • English

    The present descriptive quantitative research tries to find out which machine learning model is the most efficient to predict the utility of a bulk liquefied petroleum gas trading company in Metropolitan Lima. To determine daily profit, which will be a variable dependent on the output model. This dependent parameter has five independent variables: sale price, quantity sold, purchase cost, transportation cost and kilometers traveled, as well as the values with the highest correlation coefficients.

    There are several machine learning models, for this research the Artificial Neural Networks, Multiple Linear Regression and Random Forest models will be used, which estimated the utility through their own mathematical algorithms. To simulate the algorithms of the mentioned models, the Python program was used. These models were trained to learn and validate 70% and 30% of the database, that is, of the 235 data collected, 165 data were used to calibrate and 70 data to validate. When making the comparison between the automatic learning models for the estimation of the daily utility of the trading company, the Random Forest model was obtained as the best option, obtaining an R2 of 0.959 and also having the lowest statistical error rates with respect to the models. of Artificial Neural Networks and Multiple Linear Regression.