Red neuronal LSTM

El modelo implementado corresponde a una Red Neuronal Recurrente (RNN) del tipo LSTM (Long Short-Term Memory), aplicada a la serie temporal de la cantidad total de productos vendidos por día.

Se escogió este tipo de red ya que capaz de aprender patrones complejos y dependencias a largo plazo en los datos, algo que los métodos clásicos (como la suavización exponencial o Holt-Winters) no pueden hacer con la misma eficacia.

Durante el entrenamiento, la red recibe secuencias de los últimos 5 días de ventas (look_back = 5) y aprende a predecir el valor del día siguiente.

Entrenamiento de modelo LSTM

## 2/2 - 1s - 537ms/epoch - 268ms/step

Se observa que las predicciones de la red neuronal siguen de forma bastante cercana la tendencia general de la serie original, adaptándose a los cambios graduales en el nivel de ventas. A diferencia de los métodos de suavización exponencial, la LSTM puede capturar patrones no lineales y fluctuaciones repetitivas (como incrementos en ciertos días o semanas), lo cual mejora su capacidad de pronóstico cuando existen relaciones temporales complejas.

Sin embargo, la red no logra predecir los picos dados en ciertos de los datos originales, también cabe recalcar que este modelo requiere más tiempo de entrenamiento y recursos computacionales que los métodos clásicos, por lo tanto el modelo podría aprender si se tuvieran mejores recursos computacionales.

Finalmente, el modelo LSTM logra aprender las dinámicas temporales de las ventas diarias, mostrando un ajuste adecuado a las tendencias de la serie. Este tipo de red neuronal es especialmente útil cuando se busca capturar comportamientos no lineales y dependencias a largo plazo en los datos de ventas. No obstante, su desempeño óptimo depende de contar con una mayor cantidad de observaciones históricas y de una correcta selección de parámetros de entrenamiento.