Pronóstico de precios de aguacate Hass y papelillo en Colombia mediante métodos de series temporales
Cargando...
Archivos
Fecha
Título de la revista
Publicado en
Publicado por
URL de la fuente
Enlace a contenidos multimedia
ISSN de la revista
Título del volumen
Resumen
En Colombia, la producción agropecuaria representa una parte importante del Producto Interno Bruto y muchas familias encuentran el sustento en las diversas actividades que la componen. Sin embargo, los precios de algunos productos suelen ser volátiles, como en productos perecederos tales como el aguacate, generando incertidumbre alrededor de cuándo es el mejor momento para vender y sobre la rentabilidad de la producción. En este trabajo, se aborda el caso específico del aguacate papelillo y aguacate Hass, con el objetivo de comparar diferentes técnicas de modelamiento para la predicción de los precios de estos productos, incluyendo técnicas de modelamiento estadístico o, en particular de Machine Learning, usando datos recolectados por el DANE sobre los precios nacionales semanales disponibles del aguacate Hass y el aguacate papelillo entre el 10 de noviembre de 2012 y el 27 de diciembre de 2024. Entre los principales resultados se observó que los modelos de Machine Learning, particularmente los modelos basados en árboles de decisión son más eficientes en estas predicciones, superando el rendimiento de los modelos estadísticos. En el caso del aguacate papelillo, el modelo Decision Tree, registró los menores errores, con un RMSE de 1 245.95, MAE de 1 221.45, y un MAPE de 14.09%. De forma similar, para el aguacate Hass este mismo modelo se destacó, obteniendo las menores métricas de error, con un RMSE de 942.43, MAE de 829.07 y MAPE de 15.50%.
Descripción
Abstract
In Colombia, agricultural production represents a significant portion of the Gross Domestic Product, and many families earn a living through its diverse activities. However, the prices of some products, such as those of perishable goods like avocados, are often volatile, generating uncertainty about the best time to sell and the profitability of production. This paper addresses the specific case of papelillo and Hass avocados. The objective is to compare different modeling techniques for predicting the prices of these products, including statistical modeling techniques or, in particular, machine learning techniques, using data collected by DANE (National Statistics Institute) on the available weekly national prices of Hass and papelillo avocados between November 10, 2012, and December 27, 2024. Among the main results, it was observed that machine learning models, particularly those based on decision trees, are more efficient in these predictions, surpassing the performance of statistical models. In the case of the papelillo avocado, the Decision Tree model recorded the lowest errors, with an RMSE of 1,245.95, MAE of 1,221.45, and MAPE of 14.09%. Similarly, for the Hass avocado, this same model stood out, obtaining the lowest error metrics, with an RMSE of 942.43, MAE of 829.07, and MAPE of 15.50%.
Palabras clave
Aguacate, Machine Learning, Series temporales