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

Abstract

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.

The research, titled "Network Traffic Prediction in a Public University Using Time Series Models: ARIMA, LSTM, and Prophet", aims to develop a predictive model to optimize network traffic management at the National University of Engineering. This study addresses the increasing use of digital technologies in academic and administrative activities, which has led to issues such as latency, congestion, and service disruptions due to inefficient bandwidth planning. The methodological approach involved collecting historical traffic data and splitting it into training, validation, and testing datasets. The ARIMA, LSTM, and Prophet models were implemented and fine-tuned based on the unique characteristics of university network traffic. Their performance was evaluated using MAE, RMSE, and MAPE, allowing for a comparative analysis of their prediction accuracy and efficiency. The results indicated that LSTM was the most accurate model, achieving a MAE of 0.09% in OutTraffic and 0.17% in TotalTraffic, with a categorical accuracy of 92%. ARIMA exhibited moderate performance in stationary data, with errors ranging from 13.37% to 18.20%, whereas Prophet showed significantly high errors, highlighting its limited capability to model network traffic with high variability. In conclusion, LSTM proved to be the most suitable model for network traffic prediction, enabling more efficient bandwidth planning and a significant reduction in latency. This research makes a valuable contribution to proactive network management in academic environments, recommending its integration with real-time monitoring systems and expansion to other educational institutions facing similar challenges.