Predicción del tráfico de datos de red en una universidad estatal utilizando modelos de series temporales: ARIMA, LSTM y Prophet

• Autor: Solier Riveros, Geanfranco Agustín
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Nacional de Ingeniería
• Repositorio: UNI-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.uni.edu.pe:20.500.14076/29025
• Enlace del recurso: http://hdl.handle.net/20.500.14076/29025
• Nivel de acceso: acceso abierto
• Materia: Universidad Nacional de Ingeniería; Tráfico de datos; Modelos ARIMA; Redes de computadoras; Series temporales; Modelos estadísticos; Predicción de tráfico; https://purl.org/pe-repo/ocde/ford#2.02.05

La investigación, titulada "Predicción del tráfico de datos de red en una universidad estatal utilizando modelos de series temporales: ARIMA, LSTM y Prophet", tiene como objetivo desarrollar un modelo predictivo para optimizar la gestión del tráfico de datos en la red de la Universidad Nacional de Ingeniería. Este estudio responde al incremento del uso de tecnologías digitales en actividades académicas y administrativas, lo que ha generado problemas de latencia, congestión y caídas del servicio debido a una planificación ineficiente del ancho de banda. El enfoque metodológico consistió en recopilar datos históricos de tráfico y dividirlos en conjuntos de entrenamiento, validación y prueba. Se implementaron y ajustaron los parámetros de los modelos ARIMA, LSTM y Prophet, considerando las características particulares del tráfico universitario. La evaluación del desempeño se realizó utilizando métricas como MAE, RMSE y MAPE, lo que permitió comparar la precisión y efectividad de cada modelo. Los resultados demostraron que LSTM fue el modelo más preciso, logrando un MAE de 0.09% en OutTraffic y 0.17% en TotalTraffic, además de una precisión categórica del 92%. ARIMA mostró un desempeño moderado en datos estacionarios, con errores entre 13.37% y 18.20%, mientras que Prophet presentó errores significativamente altos, lo que evidenció su limitada capacidad para modelar el tráfico de red con alta variabilidad. En conclusión, LSTM demostró ser el modelo más adecuado para la predicción del tráfico de red, permitiendo una planificación más eficiente del ancho de banda y una reducción significativa de la latencia. Esta investigación representa una contribución clave para la gestión proactiva de redes universitarias, recomendándose su integración con sistemas de monitoreo en tiempo real y su aplicación en otras instituciones educativas con desafíos similares.