El pronóstico de la serie temporal es una de las técnicas de ciencia de datos más aplicadas en negocios, finanzas, gestión de la cadena de suministro, producción y planificación de inventario. Muchos problemas de predicción implican un componente de tiempo y, por lo tanto, requieren extrapolación de datos de series de tiempo o pronósticos de series de tiempo. El pronóstico de series de tiempo también es un área importante de aprendizaje automático (ML) y puede ser elegido como un problema de aprendizaje supervisado. Se pueden aplicar métodos de ML como regresión, redes neuronales, máquinas de vectores de soporte, bosques aleatorios y XGBOost. El pronóstico implica tomar modelos ajustados a los datos históricos y usarlos para predecir observaciones futuras.
El pronóstico de la serie temporal significa pronosticar o predecir el valor futuro durante un período de tiempo. Implica desarrollar modelos basados en datos anteriores y aplicarlos para hacer observaciones y guiar decisiones estratégicas futuras.
El futuro se pronostica o se estima en función de lo que ya ha sucedido. La serie de tiempo agrega una dependencia de orden de tiempo entre las observaciones. Esta dependencia es tanto una restricción como una estructura que proporciona una fuente de información adicional. Antes de discutir los métodos de pronóstico de series temporales, definamos más de cerca el pronóstico de series temporales.
El pronóstico de la serie temporal es una técnica para la predicción de eventos a través de una secuencia de tiempo. Predice eventos futuros analizando las tendencias del pasado, suponiendo que las tendencias futuras se mantendrán similares a las tendencias históricas. Se utiliza en muchos campos de estudio en diversas aplicaciones, incluidas:
- Astronomía
- Planificación empresarial
- Ingeniería de control
- Predicción del terremoto
- Econometría
- Finanzas matemáticas
- Reconocimiento de patrones
- Asignación de recursos
- Procesamiento de la señal
- Estadísticas
- Predicción del tiempo
El pronóstico de series de tiempo comienza con una serie de tiempo histórica. Los analistas examinan los datos históricos y verifican los patrones de descomposición del tiempo, como tendencias, patrones estacionales, patrones cíclicos y regularidad. Muchas áreas dentro de las organizaciones, incluidas el marketing, las finanzas y las ventas, utilizan algún tipo de pronóstico de series de tiempo para evaluar los costos técnicos probables y la demanda del consumidor. Los modelos para datos de series de tiempo pueden tener muchas formas y representar diferentes procesos estocásticos.
¿Qué son los metodos de serie de tiempo?
Los métodos estándar para el examen del agua y las aguas residuales se publicaron por primera vez en 1905. Desde entonces, y a través de 20 ediciones, los métodos estándar han incluido cientos de técnicas analíticas para la determinación de la calidad del agua.
Estas técnicas han sido desarrolladas por varios investigadores de calidad del agua que han sido miembros del Comité de Métodos estándar (SMC). Este comité, que consta de más de 500 personas, se encarga de la revisión y aprobación de métodos que se incluirán en los métodos estándar. Además, los miembros del comité sirven en grupos de tareas conjuntos (JTG) que se les cobra la revisión, revisión y aprobación de una sección específica de métodos estándar.
Aquí se incluye información sobre el SMC, las organizaciones patrocinadoras, una nota de los editores y preguntas frecuentes sobre el proceso de métodos estándar.
¿Cuáles son los 4 componentes de una serie de tiempo?
Una serie de tiempo es una secuencia de observaciones medidas en tiempos exámenes. Las series de tiempo son mensuales, trimestriales o anuales, a veces semanales, diarias o por hora (estudio de tráfico por carretera, tráfico telefónico) o bienal o decenal.
El análisis de series de tiempo consiste en métodos que intentan comprender tales series de tiempo para hacer predicciones.
Las series de tiempo se pueden descomponer en cuatro componentes, cada una expresa un aspecto particular del movimiento de los valores de la serie temporal.
Tendencia secular, que describe el movimiento a lo largo del término;
Variaciones estacionales, que representan cambios estacionales;
Fluctuaciones cíclicas, que corresponden a variaciones periódicas pero no estacionales;
Variaciones irregulares, que son otras fuentes no aleatorias de variaciones de series.
El análisis de la serie temporal consiste en hacer descripciones matemáticas de estos elementos, es decir, estimar por separado los cuatro componentes.
En un artículo en 1936 Funkhauser, H.G. reprodujo un diagrama del décimo…
¿Cuál es la ventaja de descomponer una serie de tiempo en sus 4 componentes?
Soy nuevo en el pronóstico de la serie temporal. En la mayoría de los blogs de pronóstico que he leído hasta ahora, la serie temporal se descompone primero. Según mi comprensión actual, se supone que nos ayuda a determinar si hay una tendencia, estacionalidad, etc. en los datos. Pero creo que podemos ver estas características directamente en la trama de series de tiempo en sí. Tengo múltiples dudas relacionadas con la descomposición
- ¿Qué información adicional ofrece la descomposición de la serie temporal que no vemos directamente de la trama de la serie temporal?
- ¿Cómo se utiliza esta información? En todos los blogs que he leído hasta ahora, no usaron la información de descomposición en ningún lado mientras realizan pronósticos.
- ¿Cómo leer los gráficos de descomposición de la serie temporal? Como referencia, he adjuntado las parcelas de este artículo. La descomposición multiplicativa se realiza en los datos.
La descomposición de la serie temporal nos ayuda a desenredar la serie temporal en componentes que pueden ser más fáciles de entender y, sí, de pronosticar.
En principio, sí, puedes ver casi todo en la trama original, pero burlarse de las cosas aparte de tu vida más fácil a veces. Por ejemplo, puede haber picos que se deben a algunos conductores, pero los picos pueden no ser visibles debido a la estacionalidad. La descomposición de la estacionalidad hará que los picos se destaquen más visiblemente en el componente residual. O de manera similar, puede haber múltiples temporizas en las que no pensamos. Si solo modelamos la estacionalidad dentro del día para el consumo de electricidad, los patrones similares a las olas en el componente residual pueden alertarnos de los patrones intraeky.
La descomposición se usa de hecho en el pronóstico, por ejemplo, mediante la función de pronóstico :: stlf () en R. (Tenga en cuenta que todo el libro de texto es muy recomendable). Una ventaja de la descomposición es que puede tratar cada componente por separado, luego recombinarlos. Quizás crea que la tendencia debe ser amortiguada, o que la estacionalidad cambiará de alguna manera, o puede haber heterocedasticidad condicional en los residuos. El pronóstico de descomposición es muy simple, y siempre debe probar métodos más complicados contra puntos de referencia simples, porque estos pueden ser sorprendentemente difíciles de superar.
¿Cuáles son los componentes de tendencia?
Los datos de la serie temporal son una secuencia de puntos de datos que miden alguna variable durante el período de tiempo ordenado. Es la categoría de bases de datos de más rápido crecimiento, ya que se usa ampliamente en una variedad de industrias para comprender y pronosticar patrones de datos. Entonces, mientras prepara estos datos de la serie temporal para modelar, es importante verificar los componentes o patrones de la serie temporal. Uno de estos componentes es la tendencia.
Trendis un patrón en los datos que muestra el movimiento de una serie a valores relativamente más altos o más bajos durante un largo período de tiempo. En otras palabras, se observa una tendencia cuando hay una pendiente creciente o decreciente en la serie temporal. La tendencia generalmente ocurre durante algún tiempo y luego desaparece, no se repite. Por ejemplo, viene una nueva canción, hace una tendencia por un tiempo y luego desaparece. Hay bastante posibilidad de que vuelva a estar en tendencia.
- TENTRA UP: El análisis de series de tiempo muestra un patrón general que está hacia arriba y luego es una tendencia al porta.
- Tendencia bajista: el análisis de series de tiempo muestra un patrón que está hacia abajo y luego es la tendencia bajista.
- Tendencia horizontal o estacionaria: si no se observa ningún patrón, entonces se llama una tendencia horizontal o estacionaria.
Puede encontrar tendencias en los datos simplemente visualizando o mediante el conjunto de datos de descomposición.
¿Cómo se aplican las series de tiempo?
En este punto, tenemos nuestros datos de series de tiempo en la forma adecuada para explorarlos visuales y numéricamente. Las diferentes gráficas y estadísticas revelan patrones a largo y corto plazo y relaciones temporales en las series de tiempo que podemos usar para comprender mejor la dinámica de la misma y predecir su desarrollo futuro.
La trama básica para explorar series de tiempo es la trama Theline (Figura 3) que muestra una posible dirección, fluctuaciones regulares e irregulares, valores atípicos, espacios o puntos de inflexión en la serie temporal. Si observa un patrón regular en su serie temporal, como la estacionalidad anual en las ventas de bebidas, puede inspeccionar cada ciclo estacional (año) por separado en una trama estacional (Figura 3). En la trama estacional, puede ver fácilmente, por ejemplo, si julio fue un mes de ventas más fuerte este año que el año pasado, o si las ventas mensuales aumentan año tras año.
Si está interesado en lo que sucede dentro de las estaciones, como cuál es la mediana de ventas en los meses de verano y cuánto y en qué dirección varían las ventas cada mes, puede inspeccionar este tipo de dinámica en una trama de caja condicional (figura 3). Otra trama útil para explorar series de tiempo es la gráfica de retraso (Figura 3). La gráfica de retraso muestra la relación entre los valores actuales y los valores pasados, por ejemplo, las ventas hoy y la semana de ventas antes.
La descomposición clásica, es decir, la descomposición de la serie temporal en su tendencia, temporada de temporada y residual, proporciona un buen punto de referencia para el pronóstico. Se supone que la parte restante de la serie temporal, el residual, es estacionario y puede ser pronosticado por un modelo ARIMA, por ejemplo. Sin embargo, recuerde que si la serie residual no es estacionaria, se pueden requerir algunas transformaciones adicionales, como la diferenciación de primer orden o la transformación de registro de la serie temporal original.
En primer lugar, si la serie temporal muestra una dirección, una tendencia, la serie temporal se puede perseguir, por ejemplo, ajustando un modelo de regresión a través de los datos o calculando un valor promedio móvil.
¿Cómo se aplica una serie de tiempo?
Un manejo en los datos de la serie temporal, qué es, dónde almacenarlo y cómo analizarlo para obtener ideas poderosas.
(Nota: Esta publicación se actualizó en agosto de 2022 con nuevos gráficos, tendencias e información técnica relevante).
Aquí hay un acertijo: ¿qué hacen los teslas autónomos, los algoritmos de comercio de Wall Street autónomos, las casas inteligentes, las redes de transporte que cumplen con las entregas del mismo día y el seguimiento de las estadísticas diarias Covid-19 y la calidad del aire en su comunidad?
Por un lado, son signos de que nuestro mundo está cambiando a velocidad de urdimbre, gracias a nuestra capacidad de capturar y analizar más y más datos más rápido que nunca.
Sin embargo, si mira de cerca, notará que cada una de estas aplicaciones de datos requiere un tipo especial de datos:
- Los autos autónomos recopilan continuamente datos sobre cómo está cambiando su entorno, ajustándose en función de las condiciones climáticas, los baches y las innumerables otras variables.
- Los algoritmos de comercio autónomos recopilan continuamente datos sobre cómo los mercados están cambiando para optimizar los rendimientos, tanto a corto como a largo plazo.
- Nuestras casas inteligentes monitorean lo que está sucediendo dentro de ellas para regular la temperatura, identificar a los intrusos y responder a todos nuestros beck-and-llame («Alexa, reproduce música relajante»).
- Nuestra industria minorista monitorea cómo sus activos se mueven con tanta precisión y eficiencia que la entrega barata el mismo día es un lujo que muchos de nosotros damos por sentado.
Tener acceso a datos detallados de la serie de tiempo ricas en características se ha convertido en uno de los productos más valiosos en nuestro mundo hambriento de información. Las empresas, los gobiernos, las escuelas y las comunidades, grandes y pequeñas, están encontrando formas invaluables de extraer valor al analizar los datos de la serie temporal.
¿Cuándo se aplica los pronósticos y método de serie de tiempo?
JD Edwards EnterpriseOne Forecast Management utiliza 12 métodos para el pronóstico cuantitativo e indica qué método proporciona el mejor ajuste para la situación de pronóstico.
Método 12: suavizado exponencial con tendencia y estacionalidad.
Especifique el método que desea utilizar en las opciones de procesamiento para el programa de generación de pronósticos (R34650). La mayoría de estos métodos proporcionan un control limitado. Por ejemplo, usted puede especificar el peso de los datos históricos recientes o el rango de fechas de datos históricos que se utilizan en los cálculos.
Los ejemplos de métodos en la guía usan parte o todos estos conjuntos de datos, que son datos históricos de los últimos dos años. La proyección de pronóstico entra en el próximo año.
Estos datos del historial de ventas son estables con pequeños aumentos estacionales en julio y diciembre. Este patrón es característico de un producto maduro que podría acercarse a la obsolescencia.
Este método utiliza el porcentaje durante la fórmula del año pasado para multiplicar cada período de pronóstico por el aumento o disminución porcentual especificado.
Para pronosticar la demanda, este método requiere el número de períodos para el mejor ajuste más un año de historial de ventas. Este método es útil para pronosticar la demanda de elementos estacionales con crecimiento o disminución.
El porcentaje sobre la fórmula del año pasado multiplica los datos de ventas del año anterior por un factor que especifica y luego proyectos que resultan durante el próximo año. Este método podría ser útil en el presupuesto para simular el efecto de una tasa de crecimiento especificada o cuando el historial de ventas tiene un componente estacional significativo.
Artículos Relacionados:
