MODELADO MATEMÁTICO DEL FLUJO DE PASAJEROS EN EL AEROPUERTO INTERNACIONAL DE TOCUMEN UTILIZANDO ANÁLISIS DE SERIES TEMPORALES SARIMA
pdf
FLIP
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Esta obra está bajo licencia internacional https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es
La revista (y sus contenidos) emplean las licencias Creative Commons, específicamente la del tipo CC BY NC SA 4.0, la cual establece que “el beneficiario de la licencia tiene el derecho de copiar, distribuir, exhibir y representar la obra y hacer obras derivadas siempre y cuando reconozca y cite la obra de la forma especificada por el autor o el licenciante”. La licencia del tipo CC BY NC SA 4.0 contempla tres categorías,
- Atribución.
- No Comercialización de la obra.
- Compartir igual
Los lectores son libres de:
- Compartir — copiar y redistribuir el material en cualquier medio o formato
- Adaptar — remezclar, transformar y construir a partir del materialLa licenciante no puede revocar estas libertades en tanto usted siga los términos de la licencia
- Siempre y cuando se respeten y contemplen la atribución de autoría y la no comercialización del material.
Resumen
Las series de tiempo son esenciales en diversos campos, permitiendo analizar patrones y predecir tendencias. El modelo ARIMA, aunque popular, asume estacionariedad, lo que puede no ser adecuado para series con patrones estacionales. Por ello, se introduce el modelo SARIMA, que considera la estacionalidad. El Aeropuerto Internacional de Tocumen en Panamá, un hub importante en América Latina, necesita predecir el flujo de pasajeros para su gestión eficiente. Este estudio adopta un enfoque no experimental y longitudinal para analizar y predecir el flujo de pasajeros utilizando SARIMA. A pesar de los desafíos de datos de 2020 y 2021 debido a la pandemia, el modelo proporcionó predicciones precisas. La gestión aeroportuaria eficiente requiere prever tendencias futuras, y herramientas como SARIMA son valiosas en este contexto. Sin embargo, es crucial la selección adecuada de parámetros y validación. En el ámbito turístico, predecir tendencias y adaptarse a cambios es esencial para la sostenibilidad del sector.
Citas
Box, G. E., & Jenkins, G. M. (1976). Time series analysis: forecasting and control. Holden-Day.
Brockwell, P. J., & Davis, R. A. (2002). Introduction to time series and forecasting. Springer. DOI: https://doi.org/10.1007/b97391
Chen, Q., Zhao, H., Qiu, H., Wang, Q., Zeng, D., & Ye, M. (2022). Time series analysis of rubella incidence in Chongqing, China using SARIMA and BPNN mathematical models. Journal of Infection in Developing Countries. DOI: https://doi.org/10.3855/jidc.16475
Chi, Y. (2022). Time Series Modeling and Forecasting of Monthly Mean Sea Level (1978 – 2020): SARIMA and Multilayer Perceptron Neural Network. International Journal of Data Science. DOI: https://doi.org/10.18517/ijods.3.1.45-61.2022
Hipel, K. W., & McLeod, A. I. (1994). Time series modelling of water resources and environmental systems. Elsevier.
Velu, S., Ravi, V., & Tabianan, K. (2022). Predictive analytics of COVID-19 cases and tourist arrivals in ASEAN based on covid-19 cases. Health Information Science and Systems. DOI: https://doi.org/10.1007/s12553-022-00701-7
Wu, B., Wang, L., Tao, R., & Zeng, Y. (2022). Interpretable tourism volume forecasting with multivariate time series under the impact of COVID-19. Neural Computing and Applications. DOI: https://doi.org/10.1007/s00521-022-07967-y
Descargas
Datos de publicación
Perfil evaluadores/as N/D
Declaraciones de autoría
Indexado en
Para obtener más información sobre un dato, haga clic 
Public Facts Label - Plugin Mantenido por Public Knowledge Project
