Redes Neuronales Recurrentes aplicadas a series de tiempo: Predicción de Pasajeros de Rutas Regionales en Argentina

Abstract

Para la mayoría de las empresas es importante contar con información actualizada y precisa, sobre todo en contextos de gran incertidumbre. En la industria aeronáutica, particularmente, una predicción precisa del número de pasajeros resulta vital ya que proporciona información valiosa para decisiones de planificación de la oferta de vuelos y estrategias de gestión de ingresos o revenue management que afectan no solo al nivel de servicio sino también a la maximización de los ingresos de las aerolíneas. Asimismo, el contexto reciente con la Pandemia COVID-19, afectó drásticamente al sector aerocomercial generando un nivel adicional de dificultad a la tarea de predecir el número de pasajeros futuros. Sin embargo, nos brindó un marco muy particular para evaluar el desempeño de distintos modelos predictivos en un contexto de gran incertidumbre y quiebre en las series a pronosticar. Este estudio propone explorar diferentes modelos complejos para predecir los pasajeros de las principales rutas regionales operadas en Argentina, a nivel origen-destino con un horizonte a doce meses. Se busca entender si éstos logran incorporar mejor el contexto reciente y generar predicciones confiables, como así también brindar información de utilidad a las aerolíneas. Se exploran modelos basados en Deep Learning como las Redes Neuronales Recurrentes (RNN), particularmente las redes de memoria a corto-largo plazo (LSTM, por sus siglas en inglés). Se aplican redes univariadas y multivariadas comparando los resultados obtenidos con modelos complejos clásicos como TBATS, utilizando como medida de comparación entre modelos a la Raíz Cuadrada del Error Cuadrático Medio (RMSE, por sus siglas en ingles). Las redes LSTM demuestran un desempeño superior sobre los modelos clásicos, pero aun con errores promedios altos relacionados al contexto cambiante de la industria. Finalmente, se realiza un caso simulado de aplicación de negocio con los resultados obtenidos en las predicciones, explicando sus potenciales usos en la toma de decisiones de una aerolínea.