Técnicas de aprendizaje automático para la predicción de tráfico marítimo en el contexto de toma de decisiones de ámbito empresarial

• Autores: Isidro Lloret Galiana
• Directores de la Tesis: José Antonio Troyano Jiménez (dir. tes.), Fernando Enríquez de Salamanca Ros (dir. tes.)
• Lectura: En la Universidad de Sevilla ( España ) en 2021
• Idioma: español
• Número de páginas: 158
• Enlaces
  • Tesis en acceso abierto en: Idus
• Resumen

  • Se trata de un trabajo de investigación original sobre predicción de series temporales de tipo económico, en el que se han aplicado técnicas de aprendizaje automático. El análisis de patrones y la predicción de series temporales de comercio exterior son clave para diseñar acuerdos comerciales con países específicos. La predicción segmentada de la demanda de transporte de mercancías ayuda a priorizar las inversiones en transporte, el desarrollo de políticas de transporte y el crecimiento de la industria logística. Concretamente, hemos utilizado un conjunto de series de importación de mercancías de Marruecos a España, correspondientes a siete capítulos arancelarios en el periodo 2000 a 2016, con la finalidad de ayudar a la Autoridad Portuaria de la Bahía de Algeciras en la toma de decisiones. Estas series se han seleccionado por su volumen de mercancías, diferentes tipos de estacionalidad e intermitencia en los datos, constituyendo un conjunto muy diverso. Además, las series se han remuestreado a diferentes granularidades (trimestral, mensual, semanal y diaria), cada una de las cuales lleva asociado un horizonte de predicción específico (8 trimestres, 18 meses, 13 semanas, and 14 días), que cubren la predicción a corto, medio y largo plazo. Hemos probado dos modelos de redes neuronales profundas, uno basado en una pila de capas convolucionales causales dilatadas, y otro recurrente, con arquitectura codificadordecodificador de capas GRU. También hemos utilizado un método de predicción basado en un algoritmo de búsqueda de coincidencia (matching pursuit), con un diccionario redundante de series sinusoidales. Además de lo anterior, nuestra aportación ha sido la siguiente: Acercar el mundo empresarial y el académico. Creación y publicación en Mendeley Data del dataset utilizado en este trabajo. Uso de series temporales en bruto, sin aplicar ninguna transformación previa; simplemente se han escalado al rango [0, 1] para los modelos de redes neuronales. En los modelos de aprendizaje profundo: o Ambos superan globalmente los métodos de referencia de la Competición M4. o El modelo recurrente destaca con series diarias y series intermitentes. o El modelo convolucional destaca con series semanales. o Uso común de un tamaño de entrada a los modelos de un año para todas las granularidades, que permite capturar la estacionalidad y tendencia. o Dos estrategias de predicción: Recursiva: mejores resultados para series trimestrales y mensuales. De múltiples salidas: mejores resultados para series semanales y diarias. El algoritmo de búsqueda de coincidencia destaca con series diarias.