Tema: Predicción de Demanda para Deliverys por Zona y Rango Horario

Integrantes:
Carlos Pérez Pérez carlosperez100@gmail.com
Melissa Dessire Aylas Barranca melissa.aylas@gmail.com
Raquel Medianero Huari raquel.medianero.h@uni.pe
German Granados Palomino dev.germane@gmail.com

Resumen:
Este estudio tiene como objetivo desarrollar y validar un modelo de aprendizaje automático capaz de predecir la demanda horaria de servicios de última milla en la ciudad de Lima, Perú, a partir de datos históricos operativos. Se utilizó una base de datos compuesta por más de 140,814 registros,
recolectados durante un periodo continuo de operación, los cuales fueron sometidos a un riguroso proceso de limpieza, transformación y análisis exploratorio. La metodología empleada se enmarca en el enfoque CRISP-DM, incorporando una ingeniería de características especializada para representar patrones estacionales, lags temporales y heterogeneidad geoespacial. Se evaluaron múltiples algoritmos de regresión, incluyendo
modelos lineales, redes neuronales y ensambles basados en árboles. La selección del modelo se realizó mediante validación cruzada, considerando métricas como RMSE y R2. El modelo óptimo, basado en el algoritmo XGBoost con pérdida tipo Poisson, logró un desempeño robusto en el conjunto de prueba(R2=0.718, RMSE=15.241), evidenciando una adecuada capacidad para modelar relaciones no lineales y dinámicas temporales complejas. Los hallazgos respaldan el uso de modelos avanzados de machine learning para la planificación proactiva de recursos logísticos en entornos urbanos con alta variabilidad de demanda.
Palabras Clave: Predicción de demanda,aprendizaje automático, XGBoost,CRISP-DM, regresión.

Link Drive:
https://drive.google.com/drive/folders/ ... sp=sharing

Predicción de Demanda para Deliverys por Zona y Rango Horario
Grupo 4 - Sección B

Carlos Pérez Pérez carlosperez100@gmail.com
Melissa Dessire Aylas Barranca melissa.aylas@gmail.com
Raquel Medianero Huari raquel.medianero.h@uni.pe
German Granados Palomino dev.germane@gmail.com

Resumen. Este estudio tiene como objetivo desarrollar y validar un modelo de aprendizaje automático capaz de predecir la demanda horaria de servicios de última milla en la ciudad de Lima, Perú, a partir de datos históricos operativos. Se utilizó una base de datos compuesta por más de 140,814 registros, recolectados durante un periodo continuo de operación, los cuales fueron sometidos a un riguroso proceso de limpieza, transformación y análisis exploratorio. La metodología empleada se enmarca en el enfoque CRISP-DM, incorporando una ingeniería de características especializada para representar patrones estacionales, lags temporales y heterogeneidad geoespacial. Se evaluaron múltiples algoritmos de regresión, incluyendo modelos lineales, redes neuronales y ensambles basados en árboles. La selección del modelo se realizó mediante validación cruzada, considerando métricas como RMSE y R2. El modelo óptimo, basado en el algoritmo XGBoost con pérdida tipo Poisson, logró un desempeño robusto en el conjunto de prueba
(R2=0.718, RMSE=15.241), evidenciando una adecuada capacidad para modelar relaciones no lineales y dinámicas temporales complejas. Los hallazgos respaldan el uso de modelos avanzados de machine learning para la planificaci ́on proactiva de recursos log ́ısticos en entornos urbanos con alta variabilidad de demanda.
Palabras Clave: Predicción de demanda, aprendizaje automático, XGBoost, CRISP-DM, regresión.