Los datos de la serie temporal son una colección de observaciones obtenidas a través de mediciones repetidas a lo largo del tiempo. Trace los puntos en un gráfico, y uno de sus ejes siempre sería el tiempo.
Las métricas de series de tiempo se refieren a una pieza de datos que se rastrean a un incremento en el tiempo. Por ejemplo, una métrica podría referirse a cuánto inventario se vendió en una tienda de un día a otro.
Los datos de la serie temporal están en todas partes, ya que el tiempo es un componente de todo lo que es observable. A medida que nuestro mundo se instrumenta cada vez más, los sensores y los sistemas están constantemente emitiendo un flujo implacable de datos de series de tiempo. Dichos datos tienen numerosas aplicaciones en varias industrias. Pongamos esto en contexto a través de algunos ejemplos.
- Actividad eléctrica en el cerebro
- Medidas de lluvia
- Precios de las acciones
- Número de manchas solares
- Ventas minoristas anuales
- Suscriptores mensuales
- Latidos por minuto
Los gráficos de series de tiempo se crean trazando un valor agregado (ya sea un recuento o una estadística, como suma o promedio) en una línea de tiempo. Los intervalos de tiempo basados en el rango de tiempo en los datos que se trazan se utilizan para agregar los valores.
Un gráfico de series de tiempo es un gráfico en el que el eje X representa alguna medida de tiempo. De hecho, el eje X está etiquetado como el eje del tiempo. El eje y representa la variable que se está mediante. Los puntos de datos se muestran y se conectan con líneas rectas en la mayoría de los casos, lo que permite la interpretación del gráfico resultante.
¿Qué es una serie de tiempo y sus características?
Las series de tiempo tienen varias características que hacen que su análisis sea diferente de otros tipos de datos.
- La variable de la serie temporal (por ejemplo, el precio de las acciones) puede tener una tendencia con el tiempo. Esto se refiere a los valores crecientes o decrecientes en una serie temporal dada.
- La variable puede exhibir ciclicidad o estacionalidad. Esto se refiere al ciclo de repetición durante un período específico (como semana, mes, etc.) en la serie temporal. Existe un patrón estacional cuando una serie está influenciada por factores estacionales (por ejemplo, el trimestre del año, el mes o el día de la semana). La estacionalidad es siempre de un período fijo y conocido. Como ejemplo, si estudia las ganancias trimestrales de una empresa como John Deere, exhibirá estacionalidad con las ganancias en la temporada de cosecha.
- Los datos tendrán correlación en serie entre las observaciones posteriores.
- Los datos casi siempre tendrán un componente irregular, que se conoce como el ruido blanco. Esta es la variación aleatoria no explicada por ningún otro factor. El ruido blanco es un proceso estacionario con una media y varianza constantes.
Existe un patrón cíclico cuando los datos exhiben aumentos y caídas que no son de período fijo. La duración de estas fluctuaciones suele ser de al menos 2 años. Muchas personas confunden el comportamiento cíclico con el comportamiento estacional, pero son realmente bastante diferentes. Si las fluctuaciones no son de período fijo, entonces son cíclicos; Si el período no cambia y se asocia con algún aspecto del calendario, entonces el patrón es estacional. En general, la longitud promedio de los ciclos es más larga que la longitud de un patrón estacional, y la magnitud de los ciclos tiende a ser más variable que la magnitud de los patrones estacionales.
¿Qué características debe tener una serie temporal para que sea útil descomponerla en sus componentes básicos de tendencia estacionalidad y aleatorio?
Abraham Maslow escribe: «Supongo que es tentador, si la única herramienta que tiene es un martillo, para tratar todo como si fuera un clavo».
Esta es la situación en la que se encuentran los aspirantes a científicos de datos al analizar datos de series de tiempo. La función estacional_decomposa de la biblioteca Statsmodels de Python es el martillo, y cada datos de la serie de tiempo es solo otro clavo.
La descomposición de nuestra serie de tiempo es un paso importante para mejorar la precisión del pronóstico y crear ideas causales.
La función estacional_decomposa está bien para la descomposición de series de tiempo, pero hay otros enfoques que son geniales. Y, como científicos de datos, siempre queremos usar lo que es genial.
- Explique la importancia de la descomposición de las series de tiempo.
- Explique los problemas con la función estacional_decomposa.
- Introducir enfoques alternativos para la descomposición de series de tiempo
La descomposición de la serie temporal se refiere al método por el cual reducimos nuestros datos de series de tiempo en sus siguientes cuatro componentes:
- Explique la importancia de la descomposición de las series de tiempo.
- Explique los problemas con la función estacional_decomposa.
- Introducir enfoques alternativos para la descomposición de series de tiempo
La tendencia de una serie de tiempo se refiere a la dirección general en la que se mueve la serie temporal. Las series de tiempo pueden tener una tendencia positiva o negativa, pero tampoco pueden tener tendencia.
Por ejemplo, la tasa de crecimiento del PIB para los Estados Unidos (y muchas economías avanzadas) no tiene una tendencia porque las fuerzas económicas mantienen la tasa de crecimiento relativamente estable.
¿Cómo se interpreta una serie de tiempo?
Use el conocimiento del proceso para determinar si las observaciones o cambios inusuales indican errores o un cambio real en el proceso.
Busque observaciones inusuales, también llamadas valores atípicos. Los valores atípicos pueden tener un efecto desproporcionado en los modelos de series de tiempo y producir resultados engañosos. Intente identificar la causa de cualquier valiente atípico y corregir los errores de entrada o errores de medición de datos. Considere eliminar los valores de datos asociados con eventos anormales y únicos, que también se denominan causas especiales.
Busque cambios repentinos en la serie o cambios repentinos en las tendencias. Trate de identificar la causa de tales cambios.
Por ejemplo, la siguiente parcela de series de tiempo muestra un cambio drástico en el costo de un proceso después de 15 meses. Debe investigar el motivo del cambio.
Una tendencia es un aumento o disminución a largo plazo en los valores de los datos. Una tendencia puede ser lineal, o puede exhibir cierta curvatura. Si sus datos exhiben una tendencia, puede usar un análisis de series de tiempo para modelar los datos y generar pronósticos. Para obtener más información sobre qué análisis usar, vaya a ¿Qué análisis de series de tiempo debo usar?
La siguiente trama de series de tiempo muestra una tendencia ascendente clara. También puede haber una ligera curva en los datos, porque el aumento en los valores de los datos parece acelerar con el tiempo. Si hay curvatura, entonces un modelo cuadrático es el más apropiado.
Un patrón estacional es un aumento y una caída en los valores de datos que se repiten regularmente durante el mismo período de tiempo. Por ejemplo, los pedidos en una tienda de autopartes son bajas cada lunes, aumentan durante la semana y alcanzan su punto máximo cada viernes. Los patrones estacionales siempre tienen un período fijo y conocido. En contraste, los movimientos cíclicos son ciclos de valores de datos crecientes y descendentes que no se repiten a intervalos regulares. Por lo general, los movimientos cíclicos son más largos y más variables que los patrones estacionales.
¿Cuáles son los tipos de series de tiempo?
La serie de tiempo es una secuencia ordenada de puntos de datos repartidos durante un período de tiempo. Aquí, el tiempo es generalmente una variable independiente, mientras que la otra variable/s mantiene cambiando los valores. Los datos de la serie temporal se controlan a intervalos temporales constantes. Estos datos pueden estar en cualquier parámetro medible y cuantificable relacionado con el campo de los negocios, la ciencia, las finanzas, etc.
El análisis de la serie temporal se refiere a la identificación de los patrones comunes que muestran los datos durante un período de tiempo. Para esto, los expertos emplean métodos específicos para estudiar las características de las características de los datos y extraer estadísticas significativas que eventualmente ayudan en el pronóstico comercial.
Aprenda pronosticar nuestro curso de ciencia de datos diseñado para principiantes para una mejor comprensión del concepto.
Ciertas características de la serie temporal dada ayudan a crear para crear modelos que ayuden a predecir la asistencia en la predicción de las métricas comerciales y el comportamiento futuro de las métricas comerciales. Cuanto mejor pueda descubrir las características de las características de los datos dados, más precisos serán los pronósticos. A continuación se muestra una descripción general de 18 conceptos cruciales, métodos y cosas que debe saber para obtener un pronóstico comercial eficiente:
1. Los métodos de pronóstico de series de tiempo son un grupo de técnicas estadísticas que pueden ser vitales para estimar diferentes variables y usarse para cualquier negocio para estimar diferentes variables.
2. Para obtener pronósticos precisos, debe verificar si hay tres características esenciales en una serie temporal. Estos son autocorrelación, estacionalidad y estacionariedad.
¿Qué es la serie de tiempo?
El pronóstico de la serie de tiempo es un tipo de estadística o
Enfoque de aprendizaje automático que intenta modelar
datos históricos de la serie temporal para hacer
Predicciones sobre puntos de tiempo futuros.
En comparación con otros tipos de modelos, la serie temporal
El pronóstico viene con sus desafíos únicos, tales
como estacionalidad, efectos de vacaciones, escasez de datos y
Tendencias cambiantes. Muchas técnicas de aprendizaje automático
No funcione bien aquí debido a la naturaleza secuencial
y correlación temporal de series de tiempo. Para
Ejemplo, la validación cruzada de K-Fold puede causar datos
fuga; Los modelos deben ser reentrenados para generar nuevos
pronósticos. El equilibrio entre el sobreajuste y
Unfectitante es un acto complicado sin la capacidad de
aleatorizar la dimensión de tiempo. Con potencial
Millones de artículos para pronosticar, la escalabilidad de
Cualquier solución de pronóstico también debe considerarse.
Las tareas además de los pronósticos pueden ser importantes para
negocios como la detección de anomalías, incertidumbre
cuantificación e inferencia causal. Series de tiempo
El pronóstico no es solo el aprendizaje supervisado sobre
Datos con marcas de tiempo. Afortunadamente, Google Cloud
ofrece una amplia gama de soluciones para cada negocio
necesitar.
Por ejemplo, una gran tienda minorista puede tener millones de artículos para
pronosticar para que el inventario esté disponible cuando la demanda es alta, y
no exagerado cuando la demanda es baja.
Construir una solución de extremo a extremo para pronosticar la demanda de
productos al por menor. Utilice datos de ventas históricas para capacitar una demanda
Modelo de pronóstico utilizando BigQuery ML y luego visualice el
Valores pronosticados en un tablero de datos de datos para compartir con
tus partes interesadas. Aprenda cómo puede construir una demanda
Solución de pronóstico que puede escalar a millones de productos
con Google Cloud con nuestro
Patrón de referencia de pronóstico de demanda.
También es posible que desee explorar cómo
El pronóstico de la demanda puede reducir el desperdicio de alimentos
con nuestro
Patrón de referencia.
Los modelos de series de tiempo se utilizan para pronosticar los precios de
productos básicos que son críticos para su negocio y
procesos de producción e informar sus modelos de flujo de caja y
planes financieros.
¿Qué es una serie de tiempo y sus principales características?
Con el gran corte del costo de comunicación y el auge de todo tipo de sensores y dispositivos inteligentes, todos los dispositivos, desde la pulsera, la bicicleta, el automóvil, el medidor hasta el ascensor, la máquina CNC, el aceite, el excavador y muchos otros, son Todo generando una gran cantidad de datos sucesivamente. Los datos recopilados se utilizan para monitorear el estado de ejecución de los dispositivos, generar informes de operación, aumentar las alarmas o hacer predicciones.
Los datos recopilados por sensores y dispositivos tienen una escala masiva. Afortunadamente, los datos generados por estos dispositivos tienen características especiales en comparación con las aplicaciones típicas de Internet. Si utilizamos estas características, podemos diseñar una forma eficiente de procesarlas. Este documento resume estas características especiales.
- Datos de series de tiempo: activados por un temporizador o evento predefinido, los dispositivos conectados generan una secuencia de registros de datos de tiempo discreto sucesivamente. La marca de tiempo asociada con cada registro de datos es la clave para la computación o el análisis. Los registros de datos están indexados en la marca de tiempo.
- Datos estructurados: los datos de Web Sprawler, Twitter, Social Network y muchas aplicaciones de Internet son datos no estructurados, pueden ser texto, imágenes o videos. Pero para dispositivos conectados, los datos generados están todos estructurados. Tienen tipos de datos predefinidos o longitud fija. Por ejemplo, podemos usar 4 bytes flotante para registrar el voltaje o la corriente en un medidor inteligente.
- No hay actualizaciones sobre los datos: hay raras ocasiones para modificar o eliminar los datos recopilados de los dispositivos conectados. Es un tipo de registro. Pero para las aplicaciones típicas de Internet, los registros de datos están sujetos a cambios todo el tiempo, y las operaciones de actualización o eliminación son obligatorias para el motor de datos subyacente.
- Fuente de datos único: para un dispositivo específico, los registros de datos de este dispositivo solo pueden ser generados por este dispositivo. En otras palabras, solo hay una sola fuente de datos para un dispositivo. Además, los registros de datos generados por un dispositivo son independientes de los registros de datos de otros dispositivos.
- La relación de lectura/escritura es más pequeña: para una aplicación de Internet típica, como Twitter, muchos usuarios siempre leen un registro de datos, aunque está escrito por un solo usuario. Pero para dispositivos conectados, los datos sin procesar siempre se leen mediante un software de análisis u otras herramientas. Pocas personas los leerán a menos que se necesite una investigación profunda. En comparación con la aplicación de Internet, su relación de lectura/escritura es mucho más pequeña.
- La tendencia es más importante: para registros bancarios, tweets, actualizaciones de redes sociales, cada registro es importante. Pero para los registros de datos generados por los dispositivos, hay fluctuaciones en la métrica monitoreada, pero los cambios no son tan grandes para dos puntos de tiempo sucesivos. A las personas les gusta prestar más atención a la tendencia de los datos en un rango de tiempo, por ejemplo, la tendencia en la última hora, no al valor en un punto de tiempo específico.
- Política de retención: por el motivo de los costos, los datos recopilados no se almacenarán para siempre, siempre hay una política de retención. Los datos se eliminarán una vez que se apruebe su vida.
- Agregación a lo largo del tiempo o un conjunto de dispositivos: la mayoría de las consultas se aplican en un rango de tiempo específico, no en todos los datos históricos. Además, la agregación de datos siempre se necesita en una ventana de tiempo, en general o un subconjunto de los dispositivos. Filtrar un subconjunto de dispositivos para la agregación es obligatorio en aplicaciones IoT.
- Se requiere computación o análisis en tiempo real: para la mayoría de las aplicaciones de Internet, el análisis de datos se puede hacer fuera de línea. Por ejemplo, el retrato del usuario se extrae de sus datos de comportamiento recopilados, pero no es necesario analizar los datos de inmediato. Se puede analizar en lotes. Pero para la aplicación IoT, para evitar la pérdida comercial, el análisis o la computación en tiempo real siempre es necesaria para monitorear el estado y aumentar la alarma.
- Se necesita informática especial: para muchos escenarios de IoT, la computación general en los datos no es suficiente. Por ejemplo, el usuario desea verificar el estado de un dispositivo en un punto de tiempo específico, pero en ese momento, no hay puntos de datos, y el punto de datos se recopiló unos segundos antes o después. El sistema debe proporcionar interpolación para resolver este problema.
- El volumen de datos es enorme: aunque parece simple, el volumen de datos es enorme. En China, cada medidor inteligente de potencia está generando un registro de datos cada 15 minutos, 96 registros al día, pero hay más de 500 millones de medidores inteligentes en todo el país. Cada automóvil conectado está generando un registro de datos cada 10 a 15 segundos, 200 millones de automóviles en China pueden generar más de 200 mil millones de registros en un solo día.
Los datos de los dispositivos conectados son una secuencia. Un solo registro de datos en un punto de tiempo específico no es tan importante, y aún podemos obtener el mismo resultado de análisis, incluso se pierden algunos puntos de datos. Parece algo fácil de hacer. Pero debido a que la cantidad de datos es enorme, plantea un gran desafío para almacenarlos y analizarlos. Para la base de datos relacional tradicional y la base de datos NoSQL, no son lo suficientemente eficientes como para procesar esta gran cantidad de datos, por lo que se requieren cada vez más recursos informáticos y de almacenamiento. El costo general de procesamiento de datos es muy alto.
¿Qué es el uso de series de tiempo?
La mayoría de las decisiones financieras, de inversión y comerciales se tienen en cuenta sobre la base de cambios futuros y demandas pronósticos en el dominio financiero.
Análisis de series de tiempo y pronóstico de procesos esenciales para explicar el comportamiento dinámico e influyente de los mercados financieros. Al examinar los datos financieros, un experto puede predecir los pronósticos requeridos para aplicaciones financieras importantes en varias áreas, como la evolución del riesgo, los precios y el comercio de opciones, la construcción de cartera, etc.
Por ejemplo, el análisis de series de tiempo se ha convertido en la parte intrínseca del análisis financiero y puede usarse para predecir las tasas de interés, el riesgo de moneda extranjera, la volatilidad en los mercados de valores y muchos más. Los formuladores de políticas y los expertos en negocios utilizan pronósticos financieros para tomar decisiones sobre producción, compras, sostenibilidad del mercado, asignación de recursos, etc.
En la inversión, este análisis se emplea para rastrear las fluctuaciones de precios y el precio de una seguridad con el tiempo. Por ejemplo, se puede registrar el precio de una seguridad;
A corto plazo, como la observación por hora para un día hábil, y
A largo plazo, como la observación al final del mes durante cinco años.
El análisis de series de tiempo es extremadamente útil para observar cómo se comporta/cambia/cambia un activo, la seguridad o la variable económica dada con el tiempo. Por ejemplo, se puede implementar para evaluar cómo los cambios subyacentes asociados con algunas observaciones de datos se comportan después de cambiar a otras observaciones de datos en el mismo período de tiempo.
¿Cuál es la importancia de las series de tiempo?
- Muchas organizaciones utilizaron para pronosticar sus tendencias de ganancias o pérdidas comerciales y, por lo tanto, se pueden tomar importantes decisiones comerciales para el desarrollo.
- Se utiliza para comparar la tendencia actual con la tendencia pasada que ya ha sucedido para que la tendencia futura se pueda estimar y preparar.
- Las variaciones del ciclo durante un período que usan series de tiempo nos permitirán comprender el ciclo económico de manera bastante efectiva.
- Se utiliza para comprender las tendencias estacionales correlacionadas de los datos.
- También se usa para comprender cómo un evento puede cambiar su característica durante un período de tiempo y, por lo tanto, se puede basar la confiabilidad, flexibilidad y otras características importantes.
- También se utiliza en el proceso de control de calidad donde la tendencia de calidad se basa con el tiempo.
- Si recibimos el complejo patrón de señal para él, entonces podemos aplicar algunas transformaciones, como el análisis de Fourier para desojar el gráfico y dividir el patrón complejo en una serie de patrones más simples y, por lo tanto, se puede lograr una mejor comprensión.
Por lo tanto, podemos ver que la serie de tiempo es el conjunto de datos que tiene patrones con un impacto significativo en el marco de tiempo. Estos patrones pueden o no repetirse varias veces. Este artículo da respuestas a la pregunta más votada «¿Cómo podemos obtener mejor la idea o predecir el futuro» para que podamos prepararnos? Este patrón puede ser estacional, estacionaria o correlacionado.
Esta es una guía de ¿Qué es la serie de tiempo? Aquí discutimos la introducción, ¿por qué necesitamos series de tiempo? e importancia respectivamente. También puede echar un vistazo a los siguientes artículos para obtener más información:
Este sitio web o sus herramientas de terceros utilizan cookies, que son necesarias para su funcionamiento y se requieren para lograr los propósitos ilustrados en la política de cookies. Al cerrar este banner, desplazar esta página, hacer clic en un enlace o continuar navegando de lo contrario, usted acepta nuestra Política de privacidad
Artículos Relacionados:
