«La mejor calificación de un profeta es tener un buen recuerdo»
El pronóstico de las fuentes de tiempo es una importante aplicación comercial de pronósticos. Prácticamente todo lo que hace una empresa o una empresa requiere la predicción de los requisitos futuros para que estos puedan ser presupuestados o planificados para incluir ventas, insumos/intermedios y mano de obra. Las técnicas de series de tiempo están bien desarrolladas con los enfoques clásicos basados en estadística, como el modelado ARIMA y los nuevos enfoques de aprendizaje profundo. Este artículo es parte de una secuencia de artículos sobre métodos de series de tiempo. Este artículo resume las técnicas importantes disponibles en las series temporales que pronostican y delinean suposiciones clave detrás de cada técnica y los escenarios en los que se puede aplicar. El enfoque de este artículo está en comprender la teoría y la intuición detrás de varios pronósticos de series de tiempo, los supuestos y advertencias subyacentes y aplicaciones relevantes para cada una. Sin embargo, esta no es una guía de «cómo». Por lo tanto, el código de Python, la discusión sobre bibliotecas, etc. para ser utilizadas se mantiene para otro día en aras de hacer que la discusión sea acelerable.
Hay una gran cantidad de técnicas disponibles para el pronóstico de series de tiempo, incluido el popular modelo ARIMA. Con el advenimiento de grandes volúmenes de datos digitalizados, los nuevos métodos de pronóstico de las series temporales que aprovechan las redes neuronales se están volviendo populares aparte de los métodos probados y confiables como el suavizado exponencial y la ARIMA. En este escenario, para alguien nuevo en el área, cuyo método se utilizará y las suposiciones subyacentes de ese método puede ser muy confuso
El pronóstico de las fuentes de tiempo es una importante aplicación comercial de pronósticos. Prácticamente todo lo que hace una empresa o una empresa requiere la predicción de los requisitos futuros para que estos puedan ser presupuestados o planificados para incluir ventas, insumos/intermedios y mano de obra. Es una de las técnicas de ciencia de datos más aplicadas en los negocios y se utiliza ampliamente en finanzas, gestión de la cadena de suministro, producción y planificación de inventario. La generación de pronósticos precisos y confiables es un esfuerzo importante para muchas organizaciones, ya que puede conducir a ahorros y reducciones de costos significativas. Con el advenimiento de los datos del sensor y las capacidades avanzadas de almacenamiento de datos, las series temporales con tasas de muestreo más altas (sub-horneadas, por hora, diariamente) se están volviendo más comunes en muchas industrias. A continuación se presentan algunos ejemplos de cómo más disponibilidad de datos más avanzados puede permitir un mejor pronóstico:
· El pronóstico de series de tiempo se puede utilizar para la gestión de la demanda en la industria de servicios públicos (uso de electricidad y agua). Dichas series pueden exhibir patrones de estacionalidad complejos, como patrones estacionales múltiples, estacionalidad no inteligente, efectos del calendario, etc. El pronóstico que tiene en cuenta estos patrones puede tener un impacto significativo en la gestión de la demanda tanto a corto como en un horizonte más largo. Que conduce a una gestión de recursos más eficiente
¿Qué es una serie de tiempo y cuáles son sus componentes?
Los factores que son responsables de provocar cambios en una serie temporal, también llamados componentes de la serie temporal, son los siguientes:
- Tendencias seculares (o tendencias generales)
- Movimientos estacionales
- Movimientos cíclicos
- Fluctuaciones irregulares
La tendencia secular es el componente principal de una serie temporal que resulta de los efectos a largo plazo de los factores socioeconómicos y políticos. Esta tendencia puede mostrar el crecimiento o disminución en una serie temporal durante un largo período. Este es el tipo de tendencia que continúa persistiendo durante un período muy largo. Los precios y los datos de exportación e importación, por ejemplo, reflejan obviamente tendencias aumentadas con el tiempo.
Estos son movimientos a corto plazo que ocurren en los datos debido a factores estacionales. El corto plazo generalmente se considera como un período en el que ocurren cambios en una serie temporal con variaciones en el clima o las festividades. Por ejemplo, se observa comúnmente que el consumo de helado durante el verano es generalmente alto y, por lo tanto, las ventas de un concesionario de helado serían más altos en algunos meses del año, mientras que relativamente más bajo durante los meses de invierno. El empleo, la producción, las exportaciones, etc., están sujetos a cambios debido a las variaciones en el clima. Del mismo modo, la venta de prendas, paraguas, tarjetas de felicitación y trabajos de fuego está sujeta a grandes variaciones durante festivales como el Día de San Valentín, Eid, Navidad, Año Nuevo, etc. proporcionado biannual, trimestral o mensual.
Estas son oscilaciones a largo plazo que ocurren en una serie temporal. Estas oscilaciones se observan principalmente en datos económicos y los períodos de tales oscilaciones generalmente se extienden de cinco a doce años o más. Estas oscilaciones están asociadas con los conocidos ciclos comerciales. Estos movimientos cíclicos se pueden estudiar proporcionan una larga serie de mediciones, libres de fluctuaciones irregulares, está disponible.
Estos son cambios repentinos que ocurren en una serie temporal que es poco probable que se repitan. Son componentes de una serie temporal que no puede explicarse por tendencias, movimientos estacionales o cíclicos. Estas variaciones a veces se denominan componentes residuales o aleatorios. Estas variaciones, aunque de naturaleza accidental, pueden causar un cambio continuo en las tendencias, las oscilaciones estacionales y cíclicas durante el próximo período. Las inundaciones, incendios, terremotos, revoluciones, epidemias, huelgas, etc., son las causas fundamentales de tales irregularidades.
Artículos Relacionados:
