Modelado y Predicción del Índice de Intensidad Energética por Provincias del Ecuador Utilizando Redes Neuronales y Análisis de Conglomerados con Algoritmos de Aprendizaje Automático

Resumen

Mediante un diseño experimental comparativo, se evalúan cuatro arquitecturas de redes neuronales feedforward, LSTM, feedforward secuencial y LSTM robusto para predecir el índice de intensidad energética provincial, utilizando datos de panel de 2018 a 2023 con variables claves relacionadas con el consumo energético, la actividad económica y la dinámica demográfica. El modelo feedforward secuencial mostró mayor precisión predictiva (R2 = 0,724), superando el rendimiento de los enfoques recurrentes en la capacidad para capturar patrones temporales, precisión y eficiencia computacional.
Los métodos de agrupamiento permiten caracterizar el comportamiento de las provincias en términos de intensidad energética, identificando grupos con patrones de consumo energético similares en relación con su producción económica. Orellana, Pastaza, Santa Elena y Zamora Chinchipe destacan por presentar perfiles energéticos diferenciados o atípicos, resaltando la utilidad de algoritmos como DBSCAN para detectar dinámicas regionales singulares.
Los resultados permiten identificar asimetrías territoriales en eficiencia energética, proporcionando una base empírica para el diseño e implementación de políticas energéticas diferenciadas. Estos conocimientos son particularmente valiosos en contextos geográficos y socioeconómicos diversos, donde promover el uso sostenible de la energía y reducir las desigualdades en la distribución y el consumo son objetivos fundamentales.