Implementación de un modelo algorítmico de inteligencia artificial predictiva - Hill Climbing para la predicción de recaudación tributaria del Estado Peruano

• Autor: Arpasi Chura, Rodolfo Fredy
• Formato: tesis doctoral
• Fecha de Publicación: 2025
• Institución: Universidad Nacional Federico Villarreal
• Repositorio: UNFV-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unfv.edu.pe:20.500.13084/11469
• Enlace del recurso: https://hdl.handle.net/20.500.13084/11469
• Nivel de acceso: acceso abierto
• Materia: Sistemas inteligentes, robótica, domótica; hyperparameter tuning; Recaudación tributaria; https://purl.org/pe-repo/ocde/ford#2.02.04

Determinar el mejor modelo de predicción de recaudación tributaria del Estado peruano, con la implementación de la Red Neuronal y el algoritmo Hill Climbing contrastado con otros modelos de aprendizaje supervisados, como MLPR, GBR, RFR, KNNR y el estadístico AutoARIMA. La metodología se desarrolló en cinco fases: obtención y reprocesamiento de la serie temporal, construcción de las variables de entrada, identificación de la estructura MLP óptima en el período de validación, predicción en el período de prueba. Los resultados obtenidos de la métrica MAPE fueron: AutoARIMA (3.0691 %), MLP-O (3.3830 %), MLPR (3.5923 %), GBR (3.6660 %), RFR (5.3389 %), KNNR (6.4466 %), donde claramente el resultado MAPE del modelo MLPR con el modelo (MLP-O) se muestra superior. Esto ocurrió con la inclusión del algoritmo Hill Climbing. Se puede verificar que los modelos MLPR y GBR presentan resultados similares, pero no mejores a los resultados de los modelos AutoARIMA y MLP-O. El poder de predicción del algoritmo propuesto en la presente investigación, basado en un modelo híbrido de redes MLP y algoritmo Hill Climbing con datos de la serie temporal de la SUNAT de los años 2000 a 2023, fue eficaz. Se obtuvo un error MAPE de 3.383 %. La predicción de la recaudación del año 2023 fue de 192 696 238 616.60, y el valor recaudado del mismo año fue de 192 128 881 908.62, lo que demuestra la eficacia del algoritmo.