Uso de aprendizaje automatico para predecir la utilidad en la producción de GLP en Lima Metropolitana

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.