La predicción de la demanda de productos juega un papel vital en la gestión de la cadena de suministro, ya que está directamente relacionada con la ganancia de la empresa. Según las preocupaciones de las empresas sobre la predicción de la demanda de productos, muchos investigadores han desarrollado varios modelos de pronóstico para mejorar la precisión. Proponemos un modelo de pronóstico híbrido llamado GA-GRU, que combina el Algoritmo Genético (GA) con la Unidad Recurrente con Compuertas (GRU). Dado que muchos hiperparámetros de GRU afectan su rendimiento, utilizamos GA para encontrar cinco tipos de hiperparámetros de GRU que incluyen el tamaño de la ventana, el número de neuronas en el estado oculto, el tamaño del lote, el tamaño de la época y la tasa de aprendizaje inicial. Para validar la efectividad de GA-GRU, este documento incluye tres experimentos: comparar GA-GRU con otros modelos de pronóstico, validación cruzada k-fold y análisis de sensibilidad de los parámetros de GA. Durante cada experimento, utilizamos el error cuadrático medio y el error absoluto medio para calcular la precisión de los modelos de pronóstico. El resultado muestra que GA-GRU obtiene mejores desviaciones porcentuales que otros modelos de pronóstico, lo que sugiere establecer el factor de mutación en 0.015 y la probabilidad de cruce en 0.70. En resumen, observamos que GA-GRU puede configurar óptimamente cinco tipos de hiperparámetros y obtener la mayor precisión en el pronóstico.