Comparativo de técnicas de inteligencia artificial aplicadas a pronóstico

• Autores: Cristhian Johnatan Izquierdo Ortiz, Carlos E. Montenegro Marín
• Localización: Visión electrónica, ISSN 1909-9746, ISSN-e 2248-4728, Vol. 8, Nº. 2, 2014, págs. 55-66
• Idioma: español
• Títulos paralelos:
  • Benchmarking among artificial intelligence techniques applied to forecast
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    La creación de un espacio de pruebas para varias técnicas de pronóstico de demanda corresponde a espacio de desarrollo de software en donde, además de probar varios algoritmos sobre una misma base de datos, estos pueden compararse unos con otros. El presente artículo, describe la construcción de una herramienta que permite generar pronósticos para que sean aprovechables en la toma de decisiones en las compras de compañías distribuidoras como la compra de productos eléctricos (cable, iluminación y accesorios), comunicaciones,tecnológicos, ropa, calzado, entre otros. Igualmente, se comparan algunas técnicas simples de pronóstico como la Media Móvil (MM) y ́Ultimo Periodo con otras técnicas como las Redes Neuronales Artificiales (RNA) y los Algoritmos Genéticos (AG), la comparación se realiza teniendo en cuenta los criterios de error de los pronósticos generados y el tiempo de procesamiento de los métodos. Se explican: el análisis, diseño, desarrollo e implementación de los métodos antes mencionados y su integración con la herramienta.

  • English

    The article is about creating a space for multiple tests of demand forecasting techniques, this space is a software development where besides to testing the algorithms on the same database, these code routines can be compared with each other, this tool allows generate forecasts to be usable in decision making on purchases of Distribution Companies. Besides comparing forecasting some simple techniques like Moving Average (MM) and Last Period with other techniques such as Artificial Neural Networks (ARN) and genetic algorithms (GA), the comparison is made taking into account the error criteria of generated forecasts and the processing time of the methods. Throughout the article explains the design, development and implementation of the above methods and their integration with the tool.