Fecha: 29/04/2026
Autor(es) / investigador(es) asociados al centro: Marcel Favereau
Revista científica / editorial: Computers and Industrial Engineering
Abstract o breve resumen: La predicción precisa de las llegadas diarias de camiones es crucial para optimizar las operaciones logísticas portuarias. Estas llegadas se suelen modelar como un proceso de conteo que presenta dos características complejas: autocorrelación y no estacionariedad. Los modelos autorregresivos se emplean comúnmente para abordar la autocorrelación, pero suelen asumir estacionariedad, lo que limita su capacidad para capturar dinámicas no estacionarias. Por otro lado, el proceso de Poisson no homogéneo se utiliza habitualmente para modelar la no estacionariedad en los procesos de llegada. Sin embargo, no tiene en cuenta la autocorrelación y es insuficiente para capturar la sobredispersión que se observa con frecuencia en los procesos de conteo reales. Para superar estas limitaciones, proponemos un nuevo modelo de predicción que integra un marco autorregresivo con una distribución binomial negativa no homogénea para modelar las llegadas diarias de camiones, capturando la autocorrelación, la no estacionariedad y la sobredispersión. El enfoque propuesto genera predicciones mediante un modelo autorregresivo, que luego se transforman en realizaciones de la distribución binomial negativa no homogénea mediante el método de transformación inversa. Basándose en datos reales de llegada diaria de camiones a un importante puerto chileno, el modelo propuesto se evalúa comparándolo con modelos de referencia ya establecidos. Los resultados demuestran que el modelo propuesto alcanza una precisión de pronóstico puntual competitiva, a la vez que proporciona distribuciones predictivas sustancialmente más informativas y mejor calibradas, especialmente en términos de nitidez del intervalo de predicción y equilibrio de la cobertura. También se analizan las implicaciones más amplias para el modelado y la gestión práctica.
Enlace al documento o DOI: https://doi.org/10.1016/j.cie.2026.112066