1. Pregunta de planta

El pronóstico de series de tiempo usa el pasado reciente para estimar lo que podría ocurrir en las siguientes horas.

2. Matemática simple

Una serie de tiempo es una variable ordenada por fecha u hora.

El modelo aprende con retrasos o ventanas móviles:

3. Aplicación en flotación

4. Excel: rezagos y promedio móvil

Primero se ordenan los datos por fecha_hora.

Valor anterior de recuperación

Si estamos en la fila 3, esa fórmula representa la recuperación de la hora anterior.

Promedio móvil de 4 registros

Cambio de recuperación

Alerta de tendencia

5. Python: pronóstico con variables rezagadas

import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_absolute_error

archivo = "flotacion_cobre.xlsx"
df = pd.read_excel(archivo)
df = df.sort_values("fecha_hora").reset_index(drop=True)

# Variables del pasado reciente
df["rec_lag1"] = df["recuperacion_cu"].shift(1)
df["score_lag1"] = df["score_riesgo"].shift(1)
df["nivel_lag1"] = df["nivel_celda"].shift(1)
df["esp_lag1"] = df["dosificacion_espumante"].shift(1)
df["rec_media_4"] = df["recuperacion_cu"].rolling(4).mean()
df["score_media_4"] = df["score_riesgo"].rolling(4).mean()

# Objetivo: recuperación del siguiente registro
df["recuperacion_siguiente"] = df["recuperacion_cu"].shift(-1)

features = [
    "rec_lag1", "score_lag1", "nivel_lag1", "esp_lag1",
    "rec_media_4", "score_media_4", "flujo_aire", "ph", "p80"
]

data = df[features + ["recuperacion_siguiente"]].dropna()
X = data[features]
y = data["recuperacion_siguiente"]

# Separación temporal: primeras filas entrenan, últimas filas prueban
split = int(len(data)*0.8)
X_train, X_test = X.iloc[:split], X.iloc[split:]
y_train, y_test = y.iloc[:split], y.iloc[split:]

modelo = RandomForestRegressor(n_estimators=200, random_state=42)
modelo.fit(X_train, y_train)

pred = modelo.predict(X_test)
print("MAE:", mean_absolute_error(y_test, pred))

6. Pronosticar evento futuro

Tambien podemos crear una etiqueta futura para anticipar eventos.

df["evento_siguiente"] = df["evento_sobre_espumacion"].shift(-1)

# Luego se entrena un clasificador usando variables actuales y rezagadas
# para estimar si en el siguiente periodo podría aparecer el evento.

7. Lectura operativa

Un pronóstico corto sirve para preparar revisiones antes de que el indicador llegue tarde.

• Si recuperación estimada baja: revisar variables de proceso.
• Si score futuro sube: elevar nivel de atención.
• Si nivel viene subiendo: revisar control, sensor y espuma.
• Si evento futuro es probable: activar revisión operacional, no automatización ciega.