Predicción de exportaciones por departamentos en el Perú mediante modelos de Machine Learning y series temporales

Resumen

Este estudio presentó una aplicación de modelos de machine learning para la predicción de exportaciones por departamentos en el Perú, utilizando datos anuales del Banco Central de Reserva del Perú (BCRP) entre 2005 y 2022. Se evaluaron los algoritmos CatBoost, XGBoost, Linear Regression y Prophet, comparando su desempeño mediante las métricas MAE, RMSE, MAPE y R². Los resultados evidenciaron que el modelo CatBoost obtuvo un rendimiento superior, con un R² del 96.28 % y un MAE de 32.91 en validación. Le siguió Prophet, que alcanzó un MAPE del 3.75% y un RMSE de 72.15, mostrando alta precisión en series temporales. En contraste, Linear Regression presentó un R² de 82.72 %, lo que reflejó limitaciones para modelar relaciones no lineales. El modelo XGBoost, aunque competitivo, mostró un R² del 91.74 % con un RMSE de 163.58. Asimismo, se desarrolló un prototipo web funcional con Django y React para la visualización de resultados, el cual permitió generar predicciones dinámicas por producto y departamento. En conjunto, los hallazgos demostraron la eficacia del machine learning para el análisis económico regional y la formulación de políticas de exportación basadas en evidencia.