Predictive Forecasting of Care Load & Placement Demand

Gestionar el cuidado de los niños que llegan a un país sin sus padres es una tarea que exige precisión, previsión y una profunda comprensión del movimiento humano. Cuando miles de jóvenes cruzan fronteras y entran en custodia gubernamental, los funcionarios deben saber cuántas camas, personal y recursos se necesitarán mañana, la próxima semana o el próximo mes. Esto no es simplemente una cuestión de contar cabezas; es un complejo rompecabezas de tiempos y flujos. El desafío radica en predecir cuántos niños estarán bajo cuidado en cualquier momento dado, una cifra que cambia diariamente según las nuevas llegadas, los traslados a otras instalaciones y las salidas. Para resolver esto, los investigadores recurren a la ciencia de la previsión de series temporales, un método que observa patrones pasados para anticipar tendencias futuras. Al estudiar el ritmo de los datos históricos —cómo los números suben y bajan a lo largo del tiempo—, los analistas pueden construir modelos que actúan como un reporte meteorológico para las necesidades de población, ofreciendo un vistazo al futuro para ayudar a las organizaciones a prepararse.

En un estudio reciente, investigadores del Instituto de Tecnología Chaitanya Bharathi en Hyderabad abordaron este problema específico utilizando datos del Departamento de Salud y Servicios Humanos de los Estados Unidos. Se centraron en el programa de "Niños Extranjeros No Acompañados", que rastrea las cifras diarias de menores bajo cuidado gubernamental. El equipo recopiló un conjunto de datos que contenía más de mil registros diarios, extendiéndose desde principios de 2023 hasta finales de 2025. Tras limpiar los datos para eliminar brechas e inconsistencias, quedaron con 720 recuentos diarios fiables de niños bajo cuidado. Su objetivo era construir un sistema que pudiera observar este historial y predecir la demanda de los próximos treinta días con alta precisión.

Para realizar estas predicciones, los investigadores no confiaron en un solo método. En su lugar, construyeron un flujo de trabajo que combinaba técnicas estadísticas tradicionales con aprendizaje automático moderno. Enseñaron a la computadora a reconocer patrones alimentándola con pistas específicas derivadas del pasado. Estas pistas incluían cuántos niños estaban bajo cuidado hace un día, una semana y dos semanas, así como los promedios de los últimos siete días y las últimas dos semanas. También añadieron medidas de cuánto fluctuaban los números en el corto plazo y un cálculo de la "presión" sobre el sistema, que comparaba cuántos niños estaban siendo transferidos al cuidado frente a cuántos estaban siendo dados de alta. Al incluir el día de la semana y el mes, el sistema también podía dar cuenta de los cambios semanales o estacionales regulares.

El equipo probó varios enfoques diferentes para ver cuál funcionaba mejor. Comenzaron con métodos simples, como asumir que el mañana sería exactamente igual al hoy, y avanzaron hacia modelos estadísticos más complejos que consideran las tendencias. Finalmente, entrenaron poderosas herramientas de aprendizaje automático conocidas como Bosques Aleatorios (Random Forests) y Gradient Boosting. Estas herramientas funcionan construyendo muchos árboles de decisión que votan por la respuesta, lo que les permite detectar relaciones complejas y no lineales en los datos que los métodos más simples podrían pasar por alto. Los investigadores dividieron sus datos cuidadosamente, utilizando los registros anteriores para entrenar los modelos y reservando los últimos treinta días de datos para probar qué tan bien se desempeñaban los modelos ante información no vista. Este enfoque aseguró que la evaluación fuera justa y que los modelos no estuvieran simplemente memorizando el pasado.

Los resultados ofrecieron un panorama claro de lo que el futuro podría deparar para el próximo mes. El sistema predijo un aumento gradual y constante en el número de niños bajo cuidado, subiendo de aproximadamente 2,274 al inicio del periodo de pronóstico a unos 2,324 al final. La predicción promedio para esta ventana de treinta días fue de aproximadamente 2,299 niños. Cuando los investigadores verificaron qué tan cerca estaban estas predicciones de los números reales en el periodo de prueba, encontraron que el error promedio fue de unos 15 niños por día. En términos porcentuales, esta tasa de error fue muy pequeña, situándose en aproximadamente el 0.64 por ciento. Este nivel de precisión sugiere que los modelos están capturando la dinámica subyacente del sistema lo suficientemente bien como para ser útiles para la planificación.

Sin embargo, el estudio también reveló un matiz importante en cómo se utilizan estas herramientas. Aunque los investigadores guardaron un modelo de Bosque Aleatorio como su herramienta final para el despliegue, las cifras de error específicas que reportaron fueron calculadas tras ejecutar un modelo diferente, el de Gradient Boosting. Esto significa que la herramienta guardada y las métricas de rendimiento reportadas no coinciden perfectamente con la versión actual del proyecto. Los autores reconocen esto y señalan que una versión futura del trabajo debería asegurar que el modelo con mejor desempeño sea el que se guarde y se utilice. A pesar de este detalle técnico, el proyecto demostró con éxito que una combinación de datos históricos, pistas operativas y aprendizaje automático puede producir un pronóstico fiable.

Los investigadores también señalaron que los datos mostraron un cambio significativo a principios de 2025, donde el número de niños bajo cuidado cayó abruptamente de más de 6,000 en enero a alrededor de 2,000 para abril. Este tipo de cambio repentino, o "cambio de régimen", es difícil de predecir, y el estudio destaca la necesidad de modelos que puedan adaptarse a tales rupturas estructurales. El sistema final se empaquetó en un tablero de control (dashboard) fácil de usar, permitiendo a los funcionarios visualizar los datos, ver el pronóstico en un gráfico y descargar las predicciones para su propio uso. Al convertir los números brutos en una perspectiva clara de treinta días, este trabajo proporciona una herramienta práctica para la planificación de capacidad, ayudando a las organizaciones a gestionar el personal, el espacio de refugio y el transporte con mayor confianza. El estudio concluye que, si bien el modelo actual es un punto de partida sólido, las mejoras futuras se centrarán en comparar todos los modelos de manera más rigurosa y añadir herramientas para medir la incertidumbre de las predicciones, asegurando que los responsables de la toma de decisiones tengan la información más robusta posible.