Modelo de predicción del consumo de combustible con redes neuronales para una estación de servicio
No Thumbnail Available
Date
2026
Journal Title
Journal ISSN
Volume Title
Publisher
PUCE - Ambato
Abstract
La presente investigación desarrolla un modelo de predicción del consumo de combustible basado en redes neuronales para la Estación de Servicio Divino Niño, comercializadora
Petroecuador, ubicada en Latacunga, Ecuador. La estación sustentaba sus decisiones de abastecimiento en estimaciones empíricas con márgenes de error de entre el 3 % y el 8 % en condiciones normales, con desfases mayores en períodos de alta demanda, lo que generaba episodios recurrentes de sobre almacenamiento y quiebres de stock.
La metodología es de tipo aplicada con enfoque mixto secuencial. La fase cuantitativa analiza 466.137 registros transaccionales de gasolina extra, súper y diésel del período febrero 2022 – noviembre 2025, consolidados en 1.368 observaciones diarias. La fase cualitativa documenta variables operativas y eventos exógenos mediante una Guía de Entrevista Técnica Estructurada aplicada al personal técnicoadministrativo de la estación.
Se implementaron y compararon cuatro arquitecturas de redes neuronales recurrentes — LSTM, BiLSTM, CNN-LSTM y LSTM Multivariante — frente a un modelo de referencia estadístico. La arquitectura BiLSTM resultó ganadora con el mayor coeficiente de determinación promedio (R² = 0,1606) y el menor error porcentual promedio (sMAPE = 22,69 %). El modelo supera al referencial en diésel, reduciendo el MAE de 383,12 a 311,01 galones y elevando el R² de 0,179 a 0,434. Para la gasolina Extra, el error relativo de 13,28 % se sitúa dentro del umbral de tolerancia operativa de ±15 % declarado por los operadores. El horizonte óptimo de predicción es de 7 días para Extra y diésel, coincidiendo con la frecuencia de planificación preferida por el personal de la estación.
Description
Keywords
Inteligencia artificial, Redes neuronales recurrentes, Estación de servicio