La predicción en el comportamiento de series de tiempo utilizando redes neuronales artificiales ha sido extensamente investigada debido a la capacidad de las RNA de aprender relaciones no lineales entre las entradas que se tienen y las salidas deseadas y su gran capacidad para el reconocimiento de patrones.

Este proyecto se plantea estudiar, desarrollar e implementar un modelo basado en Redes Neuronales Artificiales que sea capaz de predecir el volumen de las ventas en los Teléfonos Celulares en la región de Los Andes - Venezuela con el objetivo de que sea posible optimizar los inventarios para los períodos de mayores ventas para dicho producto.

El primer paso constituye en análisis del conjunto de datos, para ello se cuenta con una muestra de datos de ventas mensuales de teléfonos celulares en la región de los andes que van desde Enero de 1.995 hasta Diciembre de 2.002 . Ambos conjuntos de datos se representan como una serie temporal, de forma que sea posible observar los diferentes períodos de alzas y bajas en las ventas y seleccionar el tipo de predicción que se va a realizar. En este caso se busca cual va a ser el mes que corresponde con el mayor volumen de ventas por año.

Posteriormente para facilitar el modelado neuronal posterior se dividen las muestras en dos (2) períodos de tiempo, el primero que constituye el patrón que se va a utilizar para el entrenamiento de la Red Neuronal Artificial, en este caso los primeros cinco (5) años del conjunto de datos, y el segundo que sirve para la validación del modelo neuronal predictivo de acuerdo a los datos históricos utilizados, los últimos tres (3) años. De esta forma se observa cual sería la precisión obtenida al llevar a cabo el análisis y se determina la factibilidad del uso de esta tecnología en este tipo de estudios junto con las limitaciones que el mismo pueda presentar al ser implementado.

Modelado Neuronal.

En lo que se refiere al modelado neuronal, según los estudios previos consultados para análisis de este tipo, se ha determinado que el mejor modelo para ser implementado, cuando se requiere de una salida única para una predicción puntual, corresponde al Perceptrón Multicapas. En el caso particular al cual se hace referencia en el presente estudio se va a implementar un Perceptrón que cuenta con once (11) neuronas de entrada, cada una recibe como entrada las ventas mensuales de teléfonos celulares de una empresa en un mes determinado mes. Este análisis nos lleva al problema de selección del número de neuronas ocultas en un Perceptrón de tres (3) capas. Por lo general, este número debería ser lo suficientemente grande como para poder crear una región lo suficientemente compleja para poder resolver el problema predictivo. En este caso se ha decidido por una capa oculta de hasta nueve (9) neuronas, el número de capas intermedias y el número de neuronas en cada capa intermedia son parámetros de diseño que suelen ser escogidos por ensayo y error en este caso particular se estableció según los resultados observados en la salida del modelo, dado que un número mayor de neuronas en la capa oculta no influía en la precisión de los mismos, es decir, a pesar de que se aumentaban el número de neuronas en la capa oculta, la precisión en los resultados obtenidos no varió significativamente.

Finalmente, como se ha dicho con anterioridad se tiene una neurona única en la tercera capa que representa las ventas de teléfonos celulares para el último mes del año el cual como se dijo antes representa el mayor volumen de ventas de teléfonos para las dos (2) empresas en estudio.

El modelo es implementado en el motor de simulación para RNA JavaNNS 1.0 (Java Neural Network Simulator 1.0) que ha sido desarrollado en la Universidad de Sttugart – Alemania y constituye la alternativa en Lenguaje Java del SNNS.

Al implementar el modelo y realizar las predicciones para validación en los años 2.000, 2.001 y 2.002, se ha observado como cada una de las empresas en estudio mantienen un margen de error bastante bajo (0.87% y 3.33% respectivamente) lo cual indica que el modelo utilizado es el adecuado para este tipo de estudios, además de verificar las tendencias de mercado observadas para ambos conjuntos de datos ya sea en alzas o bajas en las ventas. Esto hace que sea posible afirmar que se cuenta con un modelo valido y que la tecnología aplicada en el estudio, es decir, los modelos de Redes Neuronales Artificiales, representan una alternativa factible y precisa a la hora de abordar este tipo de problemas.

Además de esto, cabe destacar que según los resultados obtenidos una de las limitaciones observadas en la aplicación de Redes Neuronales Artificiales a estudios predictivos, tiene que ver con el conjunto de datos de estudio, ya que no solo es necesario contar con muestras grandes que constituyan un buen número de patrones de entrada/salida para tener mejores aproximaciones, sino que cuando se presentan datos cuyas fluctuaciones para alzas y bajas son muy pronunciadas, las predicciones obtenidas presentan un error mas alto respecto del valor esperado.