Red neuronal y modelo univariante Box-Jenkins de la temperatura y niveles de oxígeno disuelto de la bahía interior del Lago Titicaca. estación puerto muelle Puno-Perú 2011-2024

Abstract

El objetivo de este estudio fue comparar dos modelos diferentes, Box-Jenkins y Red Neural (LSTM), para determinar el modelo más adecuado para predecir la serie de temperatura y niveles de oxígeno disuelto del lago Titicaca. Estación puerto muelle Puno-Perú durante el periodo 2011-2024. El diseño de investigación empleado cuantitativo de diseño no experimental y de tipo investigación longitudinal. La muestra de estudio estuvo compuesta por los registros de oxígeno disuelto y temperatura en el tiempo y la muestra está entre el periodo 2011 - 2024 considerando 168 datos mensuales obtenidas por muestreo no aleatorio del Instituto Nacional de Recursos Naturales (INRENA). Las técnicas estadísticas utilizadas como la red neuronal LSTM y el modelo univariante Box-Jenkins. Se llegó a la siguiente conclusión: El mejor modelo para predecir los niveles de temperatura de la bahía interior del lago Titicaca es el modelo Box Jenkins, SARIMA (0,1,1) x (0,1,1)12. Y_t=0.7680e_(t-1)-0.7669e_(t-12)+e_t y el mejor modelo para predecir los niveles de oxígeno disuelto de la bahía interior del lago Titicaca es el modelo ARIMA (1,1,1). Y_t=0.1810e_(t-1)-0.8290e_(t-1)+e_t. Se observó que la metodología Box Jenkins arrojó un error de evaluación de pronóstico menor en comparación con el modelo de red neuronal LSTM. Se utilizaron los indicadores MAE, MSE, RMSE, MAPE para evaluar la precisión del pronóstico. Como resultado, se considera que la metodología Box-Jenkins es la opción correcta para predecir resultados de la serie oxígeno disuelto y temperatura.