Previsão da procura de estudantes utilizando modelos de regressão: um estudo comparativo da unidade académica de engenharia, indústria e construção da Universidade Católica de Cuenca
Palavras-chave:
previsão de demanda, aumento de dados, AHP neutrosófico, TOPSIS, gestão universitáriaResumo
Introdução: Este estudo desenvolve uma metodologia para previsão da demanda de alunos na Unidade Acadêmica de Engenharia, Indústria e Construção da Universidade Católica de Cuenca, abordando o desafio de séries temporais curtas. Materiais e métodos: Foram utilizados dados diários de matrículas (22 observações/curso). Para superar a escassez de dados, foi aplicada a técnica de aumento de dados, combinando interpolação SMOTE com bootstrapping, expandindo a amostra. Quatro modelos de regressão foram avaliados com esses dados aumentados: linear, polinomial (2º e 3º graus) e logístico. A seleção do modelo ótimo para cada um dos cinco cursos foi realizada utilizando uma estrutura multicritério que integra o Processo Analítico Hierárquico Neutrosófico (AHP) — para ponderar critérios como R², RMSE, MAPE e MAE sob incerteza — e a técnica TOPSIS para a classificação final. Resultados: O aumento de dados permitiu a expansão da série para aproximadamente 55 observações. A análise TOPSIS revelou que não havia um único modelo ótimo: o modelo polinomial de terceiro grau foi selecionado para Engenharia Civil e Industrial; O modelo de segundo grau foi utilizado para Arquitetura e Engenharia Elétrica, e o modelo linear para Design. Discussão: A metodologia proposta demonstra superioridade em relação ao uso de aprendizado profundo com dados limitados, evitando sobreajuste. A combinação de aumento de dados e seleção multicritério neutrosófica fornece uma estrutura robusta, transparente e adaptável que gerencia a incerteza e justifica a seleção do modelo com base na dinâmica específica de cada programa. Conclusões: Este estudo valida que o aumento de dados e a seleção de modelos utilizando AHP-TOPSIS neutrosófico constituem uma ferramenta eficaz e pedagógica para a previsão de demanda em contextos com dados limitados, oferecendo à gestão universitária uma ferramenta para um planejamento acadêmico e de recursos mais preciso e baseado em evidências.
Referências
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).
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Jorge Leopoldo Pauta Riera, Maikel Yelandi Leyva Vazquez, Dayron Rumbaut Rangel
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
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 