Publicación:
Predicción dinámica del valor del flete de mercado para vehículos 3s3 del puerto de Buenaventura a Bogotá : un modelo integrado con variables exógenas económicas y del sector logístico

Vista sencilla de ítem
dc.contributor.advisorGarcía Vargas, Johan Felipe
dc.contributor.authorVélez Medina, Camilo Alejandro
dc.coverage.spatialMedellín de: Lat: 06 15 00 N degrees minutes Lat: 6.2500 decimal degrees Long: 075 36 00 W degrees minutes Long: -75.6000 decimal degreeseng
dc.creator.degreeMagíster en Ciencias de Datos y Analíticaspa
dc.creator.emailcavelezm@eafit.edu.co
dc.creator.emailcamilo9502@gmail.com
dc.date.accessioned2025-04-28T21:12:19Z
dc.date.available2025-04-28T21:12:19Z
dc.date.issued2025
dc.descriptionLa logística, en especial el transporte terrestre como parte fundamental de la cadena de abastecimiento, afecta directamente los costos y la disponibilidad de los productos en las ciudades, este proyecto desarrolla un modelo predictivo para estimar el valor de mercado en el transporte de carga para vehículos tipo 3S3 desde el puerto de Buenaventura, Colombia, destino a la ciudad de Bogotá, Colombia, variable que llamaremos FP_mean correspondiente al promedio diario del flete de producción; la innovación del modelo radica en su capacidad para integrar variables exógenas críticas, como la cotización del petróleo Brent, la tasa de cambio del dólar, factores específicos del sector recogidos en el SICE TAC (combustible, peaje, llantas, lubricantes, filtros, mantenimiento, personal), RNDC (registro nacional despachos de carga por carretera) y llegada de buques al puerto con su respectivo tipo de mercancía. Se evaluaron múltiples enfoques avanzados de modelado, incluidos Arima, Sarima, Random Forest y LSTM y combinaciones entre los mismos, destacándose el modelo basado en Random Forest con variables exógenas (random_forest_exogen) por su desempeño superior, logrando un RMSE de 211,395.42 y un MAPE de 3.20%, siendo el más preciso para la estimación del FP_mean; Adicionalmente, los modelos LSTM y SARIMA también mostraron resultados competitivos con un equilibrio entre precisión y estabilidad en escenarios diversos; estos hallazgos subrayan la importancia de combinar técnicas avanzadas de aprendizaje automático con el conocimiento del dominio logístico.
dc.description.abstractLogistics, especially road transportation as a fundamental part of the supply chain, directly impacts the costs and availability of products in cities. This project develops a predictive model to estimate the market value of freight transportation for 3S3-type vehicles from the port of Buenaventura, Colombia, to Bogotá, Colombia. The variable of interest, referred to as FP_mean, corresponds to the daily average freight production cost. The innovation of the model lies in its ability to integrate critical exogenous variables, such as Brent crude oil prices, the exchange rate of the dollar, sector-specific factors collected in the SICE TAC (fuel, tolls, tires, lubricants, filters, maintenance, personnel), RNDC (National Road Cargo Dispatch Registry), and the arrival of ships at the port with their respective types of cargo. Multiple advanced modeling approaches were evaluated, including ARIMA, SARIMA, Random Forest, and LSTM, with the Random Forest model incorporating exogenous variables (random_forest_exogen) standing out for its superior performance, achieving an RMSE of 211,395.42 and a MAPE of 3.20%, making it the most accurate for estimating FP_mean. Additionally, the LSTM and SARIMA models also demonstrated competitive results, striking a balance between accuracy and stability across various scenarios. These findings highlight the importance of combining advanced machine learning techniques with domain expertise in logistics.
dc.identifier.urihttps://hdl.handle.net/10784/35345
dc.language.isospaspa
dc.publisherUniversidad EAFITspa
dc.publisher.departmentEscuela de Ciencias Aplicadas e Ingeniería. Área Computación y Analíticaspa
dc.publisher.placeMedellín
dc.publisher.programMaestría en Ciencias de los Datos y Analíticaspa
dc.relation.urihttps://github.com/Botero-Soto/prediction-project
dc.rightsTodos los derechos reservadosspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccesseng
dc.rights.localAcceso abiertospa
dc.subjectPredicción de series de tiempo
dc.subjectARIMA
dc.subjectBosques aleatorios
dc.subjectLSTM
dc.subjectCosto flete transporte
dc.subjectSector logístico
dc.subjectTransporte terrestre Colombia
dc.subject.keywordTime Series Forecasting
dc.subject.keywordARIMA
dc.subject.keywordRandom Forest
dc.subject.keywordLSTM
dc.subject.keywordFreight Transport Cost
dc.subject.keywordGround Transportation Colombia
dc.subject.keywordLogistics Sector
dc.subject.lembLOGÍSTICA EN LOS NEGOCIOS
dc.subject.lembCIENCIA DE LA INFORMACIÓN
dc.subject.lembTRANSPORTE MOTORIZADO - DISTRIBUCIÓN DE CARGAS
dc.subject.lembTRANSPORTE DE CARGA
dc.subject.lembTRANSPORTE TERRESTRE
dc.titlePredicción dinámica del valor del flete de mercado para vehículos 3s3 del puerto de Buenaventura a Bogotá : un modelo integrado con variables exógenas económicas y del sector logístico
dc.typemasterThesiseng
dc.typeinfo:eu-repo/semantics/masterThesiseng
dc.type.hasVersionacceptedVersioneng
dc.type.localTesis de Maestríaspa
dc.type.spaCaso
dspace.entity.typePublication

Archivos

Bloque original
Mostrando 1 - 3 de 3
No hay miniatura disponible
Nombre:
carta_aprobacion_trabajo_grado_eafit.pdf
Tamaño:
146.63 KB
Formato:
Adobe Portable Document Format
Descripción:
Carta de aprobación de tesis de grado
Descargar
No hay miniatura disponible
Nombre:
Predicción Dinámica del Valor del Flete de Mercado para Vehículos 3S3 del Puerto de.pdf
Tamaño:
1.85 MB
Formato:
Adobe Portable Document Format
Descripción:
Trabajo de grado
Descargar
No hay miniatura disponible
Nombre:
formulario_autorizacion_publicacion_obras.pdf
Tamaño:
428.65 KB
Formato:
Adobe Portable Document Format
Descripción:
Formulario de autorización de publicación de obras
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
2.5 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Maestría en Ciencias de los Datos y Analítica (tesis)