Publicado

2018-10-01

Método de combinación de pronósticos usando modelos Bayesianos y una metaheurística, caso de estudio

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

DOI:

https://doi.org/10.15446/dyna.v85n207.68424

Palabras clave:

estadística y probabilidad, pronósticos, teoría de optimización, estadística Bayesiana (es)
statistics and probability, forecasts, optimization theory, Bayesian statistics (en)

Descargas

Autores/as

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.
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.

Referencias

Doganis, P., Alexandridis, A., Patrinos P. and Sarimveis, H., Time series sales forecasting for short shelf-life food products based on artificial neural networks and evolutionary computing.

J. Food Eng. 75(2), pp. 196-204, 2006. DOI:10.1016/j.jfoodeng.2005.03.056

Vidal, C., Londoño, J.C. y Contreras, F., Aplicación de modelos de inventarios en una cadena de abastecimiento de productos de consumo masivo con una bodega y N puntos de venta. Ing. y Compet. 6(1), pp. 35-52, 2004.

Krajewski, L., Ritzman, L. and Malhotra, M., Administración de operaciones, 8th ed. 2008.

Bowerman, B., Koehler, A. and O’Connell, R., Pronósticos, series de tiempo y regresión: un enfoque aplicado. México, DF. CENCAGE Learning, 2007.

Congdon, P., Bayesian statistical modelling. London, England: Wiley Series in Probability and Statistics, 2002.

Montoya, A., Montoya, I. y Castellanos, O., Situación de la competitividad de las Pyme en Colombia : elementos actuales y retos. Agron. Colomb. 28 (1), pp. 107-117, 2010.

Valencia, M., Tróchez, J., Vanegas, J. y Restrepo, J., Modelo para el análisis de la quiebra financiera en Pymes agroindustriales antioqueñas. Apunt. del CENES. 35. Julio-Diciembre, pp. 147-168, 2016.

Hanke, J. y Wichern, D., Pronósticos en los negocios. Prentice Hall. 2006.

Valencia, M., Correa, J.C., Díaz, F. and Ramírez, S., Aplicación de modelación bayesiana y optimización para pronósticos de demanda. Ing. y Desarro. Univ. del Norte. 32(2), pp. 179-199, 2014. DOI: 10.14482/inde.32.2.5403

Fei, X., Lu, C.-C. and Liu, K., A bayesian dynamic linear model approach for real-time short-term freeway travel time prediction. Transp. Res. Part C Emerg. Technol. 19(6), pp. 1306-1318, 2011. DOI: 10.1016/j.trc.2010.10.005

Sakauchi, T., Applying bayesian forecasting to predict new customers’ heating oil demand, 2011.

West, B., Welch K. and Galecki, A., Linear mixed models: a practical guide using statistical software. 2006. DOI: 10.1080/15598608.2012.695708

Valencia, M., Estimación en modelos lineales mixtos con datos continuos usando transformaciones y distribuciones no normales. Tesis de Maestría. 2010.

Hsiao, C. and S.K., Wan Is there an optimal forecast combination?. J. Econom. 178, PART 2, pp. 294-309, 2014. DOI: 10.1016/j.jeconom.2013.11.003

Chahkoutahi, F. and Khashei, M., A seasonal direct optimal hybrid model of computational intelligence and soft computing techniques for electricity load forecasting. Energy. 140, pp. 988-1004, 2017. DOI: 10.1016/j.energy.2017.09.009

Gao, W., Sarlak, V., Parsaei, M. R. and Ferdosi, M. Combination of fuzzy based on a meta-heuristic algorithm to predict electricity price in an electricity markets. Chem. Eng. Res. Des. 131, pp. 333-345, 2018. DOI: 10.1016/j.cherd.2017.09.021

Guerrero, L., Gómez, J.D., Zapata, D. and Valencia, M., Comparación de tres metaheurísticas para la optimización de inventarios con estimación de demanda. pp. 51-68, 2016.

Makridakis, S., Hibon, M. and Moser, C., Accuracy of forecasting: an empirical investigation. J. R. Stat. Society. 142(2), pp. 97-145, 1979. DOI: 10.2307/2345077

Makridakis, S., Wheelwright, S. and McGee, V., Forecasting, methods and applications, Second Ed. John Wiley & Sons, 1983.

Simchi-Levi, D., Kaminski, P. and Simchi-Levi, E., Designing and managing the supply chain, 3rd ed. New York: McGraw-Hill, 2008.

Valencia, M., González, D. y Cardona, J., Metodología de un modelo de optimización para el pronóstico y manejo de inventarios usando el metaheurístico Tabú. Rev. Ing. 24(1), pp. 13-27, 2014. DOI: 10.15517/ring.v24i1.13771

Diebold, F.X. The past, present, and future of macroeconomic forecasting. J. Econ. Perspect. 12(2), pp. 175-192, 1998.

Medina, S. y García, J., Predicción de demanda de energía en Colombia mediante un sistema de inferencia difuso neuronal. Energética. 33, pp. 15-24, 2005. DOI: 10.15446/energetica

Keles, D., Scelle, J., Paraschiv, F. and Fichtner, W., Extended forecast methods for day-ahead electricity spot prices applying artificial neural networks. Appl. Energy. 162, pp. 218-230, 2016.

Claveria, O. and Torra, S., Forecasting tourism demand to Catalonia: neural networks vs. time series models. Econ. Model. 36, pp. 220-228, 2014.

West, B., Welch, K. and Galecki, A., Linear mixed models: a practical guide using statistical software, first. 2006.

Valencia, M., Estimación en modelos lineales mixtos con datos continuos usando transformaciones y distribuciones no normales. Tesis de grado. Universidad Nacional de Colombia, Sede Medellín. [en línea]. Disponible en: http://www.bdigital.unal.edu.co/1862/1/71680093.2010.pdf, 2010.

Barbosa, C., Queiroz, C. and Migon, H., A dynamic linear model with extended skew-normal for the initial distribution of the state parameter. Comput. Stat. Data Anal. 74, pp. 64-80, 2014. DOI: 10.1016/j.csda.2013.12.008

Oracle., The Bayesian approach to forecasting. September, 2006.

Kociecki, A., Kolasa, M. and Rubaszek, M., A Bayesian method of combining judgmental and model-based density forecasts. Econ. Model. 29, pp. 1349-1355, 2012.

Gill, J., Bayesian methods for the social and behavioral sciences. Harvard University, 2007, pp. 9-11.

Valencia-Cárdenas, M., Dynamic model for the multiproduct inventory optimization with multivariate demand. Tesis de Doctorado. Universidad Nacional de Colombia, Sede Medellín, 2016.

Zellner, A., An introduction to Bayesian inference in econometrics, Second. Wiley Classics Library, 1996.

Story, R.E., An explanation of the effectiveness of latent semantic indexing by means of a Bayesian regression model. Inf. Process. Manag. 32(3), pp. 329-344, 1996. DOI: 10.1016/0306-4573(95)00055-0

Castaño, E. y Melo, L.F., Métodos de combinación de pronósticos: una aplicación a la inflación colombiana. Borradores Econ. Banco de la República. 109, 1998.

Bates J.M. and Granger, C.W., The combination of forecasts. Operational Research Quarterly. 20(4), pp. 451, 1969.

Chan, C.K., Kingsman, B.G. and Wong, H., The value of combining forecasts in inventory management. A case study in banking. Eur. J. Oper. Res. 117, pp. 199-210, 1999.

Bunn, D.W., Forecasting with more than one model. J. Forecast. 8(April), pp. 161-166, 1989.

Fouskakis, D. and Draper, D., Stochastic optimization: a review, Int. Stat. Rev. 70(3), pp. 315-349, 2002. DOI: 10.1111/j.1751-5823.2002.tb00174.x

Silver, E., An overview of heuristic solution methods. Journal of the Operational Research Society. 55(9), pp. 936-956, DOI: 10.1057/palgrave.jors.2601758

Kapetanios, G., Marcellino, M. and Papailias, F., Forecasting inflation and GDP growth using heuristic optimisation of information criteria and variable reduction methods. Comput. Stat. Data Anal. 100, pp. 369-382, 2014. DOI: 10.1016/j.csda.2015.02.017.

Fernández, I. de Viana, O., Cordón, Alonso, S. y Herrera, F., La metaheurística de optimización basada en colonias de hormigas: modelos y nuevos enfoques. Optim. Intel., pp. 261-314, 2004.

Sen, T. and Mathur, H.D., A new approach to solve economic dispatch problem using a Hybrid ACO–ABC–HS optimization algorithm. Int. J. Electr. Power Energy Syst. 78, pp. 735-744, 2016. DOI: 10.1016/j.ijepes.2015.11.121

Kahraman, C., Kerre, E.E. and Bozbura, F.T., Uncertainty modeling in knowledge engineering and decision making. 7. World scientific, 2012. DOI: 10.1142/8564

Dorie, V., Package ‘blme’. pp. 1-8, 2015. Disponible en: https://cran.r-project.org/web/packages/blme/index.html

Petris, G., Petrone, S. and Campagnoli, P., Dynamic linear models with R. 2009. DOI: 10.1007/b135794

Petris, G., An R package for dynamic linear models. J. Stat. Softw. 36(12), pp. 1-16, 2010. DOI: 10.18637/jss.v036.i12

Cómo citar

IEEE

[1]
D. Higuita-Alzate, M. Valencia-Cárdenas, y J. C. Correa-Morales, «Método de combinación de pronósticos usando modelos Bayesianos y una metaheurística, caso de estudio», DYNA, vol. 85, n.º 207, pp. 337–345, oct. 2018.

ACM

[1]
Higuita-Alzate, D., Valencia-Cárdenas, M. y Correa-Morales, J.C. 2018. Método de combinación de pronósticos usando modelos Bayesianos y una metaheurística, caso de estudio. DYNA. 85, 207 (oct. 2018), 337–345. DOI:https://doi.org/10.15446/dyna.v85n207.68424.

ACS

(1)
Higuita-Alzate, D.; Valencia-Cárdenas, M.; Correa-Morales, J. C. Método de combinación de pronósticos usando modelos Bayesianos y una metaheurística, caso de estudio. DYNA 2018, 85, 337-345.

APA

Higuita-Alzate, D., Valencia-Cárdenas, M. & Correa-Morales, J. C. (2018). Método de combinación de pronósticos usando modelos Bayesianos y una metaheurística, caso de estudio. DYNA, 85(207), 337–345. https://doi.org/10.15446/dyna.v85n207.68424

ABNT

HIGUITA-ALZATE, D.; VALENCIA-CÁRDENAS, M.; CORREA-MORALES, J. C. Método de combinación de pronósticos usando modelos Bayesianos y una metaheurística, caso de estudio. DYNA, [S. l.], v. 85, n. 207, p. 337–345, 2018. DOI: 10.15446/dyna.v85n207.68424. Disponível em: https://revistas.unal.edu.co/index.php/dyna/article/view/68424. Acesso em: 24 mar. 2026.

Chicago

Higuita-Alzate, David, Marisol Valencia-Cárdenas, y Juan Carlos Correa-Morales. 2018. «Método de combinación de pronósticos usando modelos Bayesianos y una metaheurística, caso de estudio». DYNA 85 (207):337-45. https://doi.org/10.15446/dyna.v85n207.68424.

Harvard

Higuita-Alzate, D., Valencia-Cárdenas, M. y Correa-Morales, J. C. (2018) «Método de combinación de pronósticos usando modelos Bayesianos y una metaheurística, caso de estudio», DYNA, 85(207), pp. 337–345. doi: 10.15446/dyna.v85n207.68424.

MLA

Higuita-Alzate, D., M. Valencia-Cárdenas, y J. C. Correa-Morales. «Método de combinación de pronósticos usando modelos Bayesianos y una metaheurística, caso de estudio». DYNA, vol. 85, n.º 207, octubre de 2018, pp. 337-45, doi:10.15446/dyna.v85n207.68424.

Turabian

Higuita-Alzate, David, Marisol Valencia-Cárdenas, y Juan Carlos Correa-Morales. «Método de combinación de pronósticos usando modelos Bayesianos y una metaheurística, caso de estudio». DYNA 85, no. 207 (octubre 1, 2018): 337–345. Accedido marzo 24, 2026. https://revistas.unal.edu.co/index.php/dyna/article/view/68424.

Vancouver

1.
Higuita-Alzate D, Valencia-Cárdenas M, Correa-Morales JC. Método de combinación de pronósticos usando modelos Bayesianos y una metaheurística, caso de estudio. DYNA [Internet]. 1 de octubre de 2018 [citado 24 de marzo de 2026];85(207):337-45. Disponible en: https://revistas.unal.edu.co/index.php/dyna/article/view/68424

Descargar cita

CrossRef Cited-by

CrossRef citations0

Dimensions

PlumX

Visitas a la página del resumen del artículo

913

Descargas

Los datos de descargas todavía no están disponibles.

Licencia

Derechos de autor 2018 DYNA

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.

El autor o autores de un artículo aceptado para publicación en cualquiera de las revistas editadas por la facultad de Minas cederán la totalidad de los derechos patrimoniales a la Universidad Nacional de Colombia de manera gratuita, dentro de los cuáles se incluyen: el derecho a editar, publicar, reproducir y distribuir tanto en medios impresos como digitales, además de incluir en artículo en índices internacionales y/o bases de datos, de igual manera, se faculta a la editorial para utilizar las imágenes, tablas y/o cualquier material gráfico presentado en el artículo para el diseño de carátulas o posters de la misma revista.