Pronóstico de la demanda estudiantil mediante modelos de regresión: un estudio comparativo de la unidad académica de ingeniería, industria y construcción de la Universidad Católica de Cuenca
Palabras clave:
predicción de demanda, aumento de datos, AHP neutrosófico, TOPSIS, gestión universitariaResumen
Introducción: Este estudio desarrolla una metodología para pronosticar la demanda estudiantil en la Unidad Académica de Ingeniería, Industria y Construcción de la Universidad Católica de Cuenca, enfrentando el reto de series de tiempo cortas. Materiales y métodos: Se utilizaron datos diarios de matrícula (22 observaciones/carrera). Para superar la escasez de datos, se aplicó un aumento de datos combinando una interpolación tipo SMOTE con bootstrapping, expandiendo la muestra. Sobre estos datos aumentados, se evaluaron cuatro modelos de regresión: lineal, polinomial (grados 2 y 3) y logística. La selección del modelo óptimo para cada una de las cinco carreras se realizó mediante un marco multicriterio que integra el Proceso de Jerarquía Analítica (AHP) Neutrosófico –para ponderar criterios como R², RMSE, MAPE y MAE bajo incertidumbre– y la técnica TOPSIS para el ranking final. Resultados: El aumento de datos permitió expandir las series a ~55 observaciones. El análisis TOPSIS reveló que no existía un modelo único óptimo: el polinomial de grado 3 fue seleccionado para Civil e Industrial; el de grado 2 para Arquitectura y Eléctrica; y el modelo lineal para Diseño. Discusión: La metodología propuesta demuestra ser superior al uso de aprendizaje profundo con datos escasos, evitando el sobreajuste. La combinación de aumento de datos y selección multicriterio neutrosófica proporciona un marco robusto, transparente y adaptable que gestiona la incertidumbre y justifica la elección del modelo según la dinámica específica de cada programa. Conclusiones: El estudio valida que el aumento de datos y la selección de modelos mediante AHP Neutrosófico-TOPSIS constituyen una herramienta efectiva y pedagógica para la predicción de demanda en contextos de datos limitados, ofreciendo a la gestión universitaria un instrumento para una planificación académica y de recursos más precisa y basada en evidencia.
Citas
Abdel-Basset, M., Mohamed, M., & Smarandache, F. (2018). A hybrid neutrosophic group ANP-TOPSIS framework for supplier selection problems. Symmetry, 10(6), 226. https://doi.org/10.3390/sym10060226
Barzola-Monteses, J., Rodríguez-Cedeño, J., & Smarandache, F. (2024). Detection of cardiovascular diseases using predictive models based on deep learning techniques: A hybrid neutrosophic AHP-TOPSIS approach for model selection. Neutrosophic Sets and Systems, 66, 135–147.
Bergmeir, C., Hyndman, R. J., & Benítez, J. M. (2016). Bagging exponential smoothing methods using STL decomposition and bootstrapping. International Journal of Forecasting, 32(2), 303–312. https://doi.org/10.1016/j.ijforecast.2015.09.005
Castañeda Sánchez, W. A., Polo Escobar, B. R., & Vega Huincho, F. (2023). Redes neuronales artificiales: una medición de aprendizajes de pronósticos como demanda potencial. Universidad, Ciencia y Tecnología, 27(118), 51–60.
Cerqueira, V., Torgo, L., & Soares, C. (2024). Time series data augmentation as an imbalanced learning problem. arXiv preprint arXiv:2404.18537.
Diponegoro, M. H., Kusumawardani, S. S., & Hidayah, I. (2021). Tinjauan pustaka sistematis: Implementasi metode deep learning pada prediksi kinerja murid. Jurnal Nasional Teknik Elektro Dan Teknologi Informasi, 10(2), 131–138. https://doi.org/10.22146/jnteti.v10i2.1417
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
Gulum, P., Gökkuş, Ü., & Gökkuş, A. (2021). A two level interval valued neutrosophic AHP integrated TOPSIS for post-earthquake fire risk assessment. Journal of Intelligent & Fuzzy Systems, 41(1), 1599–1612. https://doi.org/10.3233/JIFS-210701
Hwang, C. L., & Yoon, K. (1981). Multiple attribute decision making: Methods and applications. Springer-Verlag.
Iwana, B. K., & Uchida, S. (2021). An empirical survey of data augmentation for time series classification with neural networks. PLoS ONE, 16(7), e0254841. https://doi.org/10.1371/journal.pone.0254841
Jiang, W., Ling, L., Zhang, D., Lin, R., & Zeng, L. (2023). A time series forecasting model selection framework using CNN and data augmentation for small sample data. Neural Processing Letters, 55, 3357–3386. https://doi.org/10.1007/s11063-022-11113-z
Liu, Q., Shakya, R., Jovanovic, J., Khalil, M., & Gašević, D. (2025). Ensuring privacy through synthetic data generation in education. British Journal of Educational Technology, 56(2), 445–462. https://doi.org/10.1111/bjet.13576
Morales Echeverria, D. A., & Galarza Arrieta, S. del R. (2024). Acceso a la educación superior pública en Ecuador y limitación de cupos como vulneración de derechos. Revista de Investigación Educativa Niveles, 1(2), 5–13. https://doi.org/10.61347/rien.v1i2.60
Popovic, N. (2023). How to improve the accuracy of your time series forecast by using bootstrapping. Medium. https://medium.com/@NiclasPopovic0402/how-to-improve-the-accuracy-of-your-time-series-forecast-by-using-bootstrapping-c5a81ce3abe6
Qu, H., Wang, Z., & Li, Y. (2024). A time series data augmentation method based on SMOTE. En 2024 5th International Conference on Computer Vision, Image and Deep Learning (CVIDL) (pp. 114–118). IEEE. https://doi.org/10.1109/CVIDL61864.2024.10587816
Rachel, J., Jeyakarthi, J., & Mary, S. A. (2024). Enhancing biometric system selection: A hybrid AHP-neutrosophic soft set fuzzy TOPSIS approach. BMC Research Notes, 17(1), 246. https://doi.org/10.1186/s13104-024-06903-8
Rodríguez Morachis, M. A., Terrazas Mata, L. E., & Zorrilla Briones, F. (2024). Estimación de demanda estudiantil en una institución educativa para calcular capacidad docente y aulas utilizando modelo de pronósticos. RIDE Revista Iberoamericana Para La Investigación y El Desarrollo Educativo, 14(28). https://doi.org/10.23913/ride.v14i28.1790
Semenoglou, A. A., Spiliotis, E., & Assimakopoulos, V. (2023). Data augmentation for univariate time series forecasting with neural networks. Pattern Recognition, 135, 109–127. https://doi.org/10.1016/j.patcog.2022.109127
Sepúlveda, G. (2021). Pronóstico para la demanda de inscritos en estudios de educación superior a nivel pregrado en la Universidad de la Amazonia [Tesis de grado, Universidad de la Amazonia].
Shao, L., Vannan, S. K., & Kaur, H. (2021). Machine learning methods for course enrollment prediction. IEEE Transactions on Education, 64(3), 234–243. https://doi.org/10.1109/TE.2021.3058234
Smarandache, F., Vázquez, M. Y. L., Cevallos-Torres, L., & Barco, L. J. L. (2025). Neutrosofía: Orígenes, aplicaciones y perspectivas en la lógica contemporánea. Neutrosophic Computing and Machine Learning, 37, 1–10.
Syamsudin, A., & Maarif, M. S. (2024). A comparative study of Lagrange and Gregory forward interpolation techniques for estimating new student enrollment trends in Faculty of Tarbiyah at IAIN Kediri. Journal Focus Action of Research Mathematic, 7(1), 173–189. https://doi.org/10.30762/f_m.v7i1.3179
Triambak, S., Mahapatra, D. P., Mallick, N., & Sahoo, R. (2021). A new logistic growth model applied to COVID-19 fatality data. Epidemics, 37, 100515. https://doi.org/10.1016/j.epidem.2021.100515
Universidad Católica de Cuenca. (2025). Modelo educativo. https://www.ucacue.edu.ec/
Zhan, C., Deho, O. B., Zhang, X., Joksimovic, S., & Gašević, D. (2023). Synthetic data generator for student data serving learning analytics: A comparative study. Learning Letters, 1(1), 1–11.
Zhou, Y., Johansen, B., & Tian, Y. (2023). Improving time series forecasting with Mixup data augmentation. En Amazon Science Conference (pp. 1–8).
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Jorge Leopoldo Pauta Riera, Maikel Yelandi Leyva Vazquez, Dayron Rumbaut Rangel
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Esta revista proporciona un acceso abierto inmediato a su contenido, basado en el principio de que ofrecer al público un acceso libre a las investigaciones ayuda a un mayor intercambio global de conocimiento. Cada autor es responsable del contenido de cada uno de sus artículos. Los artículos pueden ser inéditos o estar disponibles previamente en servidores de preprints reconocidos por la revista. Sin embargo, no se permite la duplicación de la publicación o traducción de un artículo ya publicado en otra revista o como capítulo de un libro.
This journal provides immediate open access to its content, based on the principle that providing the public with free access to research supports a greater global exchange of knowledge. Each author is responsible for the content of each of their articles. Articles may be previously unpublished or available on preprint servers recognized by the journal. However, duplication of publication or translation of an article already published in another journal or as a book chapter is not permitted.
Esta revista oferece acesso aberto imediato ao seu conteúdo, com base no princípio de que oferecer ao público acesso gratuito à pesquisa contribui para um maior intercâmbio global de conhecimento. Cada autor é responsável pelo conteúdo de cada um de seus artigos. Os artigos poderão ser inéditos ou estar previamente disponíveis em servidores de preprints reconhecidos pela revista. No entanto, não é permitida a duplicação de publicação ou tradução de artigo já publicado em outro periódico ou como capítulo de livro.
Universidad de Oriente 