Series temporales: predicción de matriculaciones de vehículos según su tipo de combustible - Villanueva Ortiz, María

Abstract

La industria automotriz enfrenta desafíos significativos debido a la necesidad de sostenibilidad ambiental y la transición hacia tecnologías más limpias. La conciencia sobre la contaminación y el cambio climático, junto con iniciativas gubernamentales, están influyendo en las matriculaciones de vehículos según su tipo de combustible: diésel, gasolina o eléctrico. Anticipar estas tendencias es crucial para la toma de decisiones estratégicas en el sector.

Este trabajo proporciona herramientas analíticas para que las empresas automotrices comprendan y se adapten a las preferencias cambiantes de los consumidores, en un mercado impactado por la sostenibilidad y las regulaciones. Se utilizarán modelos predictivos basados en series temporales para predecir las matriculaciones de vehículos por tipología en España para el año 2024, estudiando datos históricos desde 2015 hasta 2022 y validando los modelos con datos reales de 2023. La investigación evalúa la efectividad de diferentes modelos predictivos como Moving Average, SARIMAX, STL y Proceso Gaussiano, utilizando métricas de precisión como el RMSE, MAE, y MAPE.

The automotive industry faces significant challenges due to the need for environmental sustainability and the transition to cleaner technologies. Awareness of pollution and climate change, along with governmental initiatives, are influencing vehicle registrations based on their type of fuel: diesel, gasoline or electric. Anticipating these trends is crucial for strategic decision-making in the sector.

This work provides analytical tools for automotive companies to understand and adapt to changing consumer preferences in a market impacted by sustainability and regulations. Predictive models based on time series will be used to forecast vehicle registrations by type in Spain for the year 2024, studying historical data from 2015 to 2022 and validating the models with real data from 2023. The research evaluates the effectiveness of different predictive models such as Moving Average, SARIMAX, STL, and Gaussian Process, using accuracy metrics like RMSE, MAE, and MAPE.