Abstract
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.
Publisher
Quality Leadership University
Reference7 articles.
1. Box, G. E., & Jenkins, G. M. (1976). Time series analysis: forecasting and control. Holden-Day.
2. Brockwell, P. J., & Davis, R. A. (2002). Introduction to time series and forecasting. Springer.
3. 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.
4. 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.
5. Hipel, K. W., & McLeod, A. I. (1994). Time series modelling of water resources and environmental systems. Elsevier.