Modelación y simulación de una red neural para el estudio de la relación oferta – demanda

• Gelmar García Vidal ^[1] ; Laritza Guzmán Vilar ^[2]
  1. [1] Universidad UTE
  2. [2] Investigadora independiente
• Localización: Mundo Recursivo: Revista Cientifica, ISSN 2600-5700, Vol. 6, Nº. 2, 2023 (Ejemplar dedicado a: Bussines Administration), págs. 159-174
• Idioma: español
• Títulos paralelos:
  • Modeling and simulation of a neural network for the study of the supply – demand relationship
• Enlaces
  • Texto completo
• Resumen
  • español

      En este artículo se construye y prueba una red neural de alimentación de dos capas para analizar la relación entre la demanda y oferta de productos agropecuarios en una instalación turística de Santo Domingo de los Tsáchilas, Ecuador. Se consideró la demanda estimada de la instalación y la oferta pronosticada a cubrir por los proveedores de 35 productos que ocupan el 80% del peso en las compras en valores monetarios. Se utiliza la red de alimentación de dos capas entrenada con la regla de aprendizaje back propagation de errores. La red construida se encontró que era precisa en el modelado de la demanda y la oferta para las condiciones de estudiadas y también, en la predicción de esta relación con nuevos datos de entrada que se mantienen al margen de la red neural entrenada. Los resultados pueden favorecer el perfeccionamiento de la gestión de compra en la instalación turística

  • English

    In this article, a two-layer feed forward neural network is built and tested to analyze the relationship between demand and supply of agricultural products in a tourist facility in Santo Domingo de los Tsáchilas, Ecuador. The estimated demand of the facility and the predicted supply to be covered by the suppliers of 35 products that occupy 80% of the weight in purchases in monetary values ​​were considered. The two-layer feed forward network trained with the error back propagation learning rule is used. The constructed network was found to be accurate in modeling demand and supply for the conditions studied and also in predicting this relationship with new input data that is kept outside the trained neural network. The results can favor the improvement of purchasing management in the tourist facility