A. Arias Botey
El objetivo de este trabajo se centra en identificar el modelo que a priori mejor predice una serie temporal en función de sus características. Para abordar este objetivo se ha seguido un proceso que engloba la transformación de una tabla de eventos en series temporales, la predicción mediante diferentes modelos y el análisis de los resultados obtenidos por cada uno de ellos.
Los datos han sido recopilados de Makridakis Competition 4. Este dataset contiene 100000 series temporales de diferentes tipos (demográficas, financieras, industriales, micro, macro y otras) y granularidades (anuales, trimestrales, mensuales, semanales, diarias, horarias).
Se han empleado modelos deterministas (ETS y ARIMA), modelos estocasticos (BSTS y Prophet) y redes neuronales recurrentes (LSTM). Finalmente, para seleccionar el modelo más eficiente dadas las características iniciales de una serie, se ha empleado una red bayesiana. Los lenguajes de programación utilizados han sido R y Python con Spark.
Palabras clave: series temporales, red bayesiana, BSTS
Programado
ST-1 Series Temporales
4 de septiembre de 2019 12:00
I2L5. Edificio Georgina Blanes