La descomposición de STL de series temporales puede beneficiar la previsión realizada por métodos estadísticos pero no por métodos de aprendizaje automático
Autores: Ouyang, Zuokun; Ravier, Philippe; Jabloun, Meryem
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
La descomposición de STL de series temporales puede beneficiar la previsión realizada por métodos estadísticos pero no por métodos de aprendizaje automático
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería General
Palabras clave
Estrategias de pronóstico
Método de descomposición STL
Métodos estadísticos
Métodos de aprendizaje automático
RNNs
Horizontes de pronóstico
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 21
Citaciones: Sin citaciones
Este documento tiene como objetivo comparar diferentes estrategias de pronóstico combinadas con el método de descomposición STL. STL es un método de descomposición de series temporales versátil y robusto. Las estrategias de pronóstico que consideramos son las siguientes: tres métodos estadísticos (ARIMA, ETS y Theta), cinco métodos de aprendizaje automático (KNN, SVR, CART, RF y GP) y dos versiones de RNN (CNN-LSTM y ConvLSTM). Realizamos la prueba de pronóstico en seis horizontes (1, 6, 12, 18 y 24 meses). Nuestros resultados muestran que, cuando se aplica a datos mensuales de la Competencia M3 industrial como paso de preprocesamiento, la descomposición STL puede beneficiar el pronóstico utilizando métodos estadísticos pero perjudica a los de aprendizaje automático. Además, el método de combinación STL-Theta muestra los mejores resultados de pronóstico en cuatro de los cinco horizontes de pronóstico.
Descripción
Este documento tiene como objetivo comparar diferentes estrategias de pronóstico combinadas con el método de descomposición STL. STL es un método de descomposición de series temporales versátil y robusto. Las estrategias de pronóstico que consideramos son las siguientes: tres métodos estadísticos (ARIMA, ETS y Theta), cinco métodos de aprendizaje automático (KNN, SVR, CART, RF y GP) y dos versiones de RNN (CNN-LSTM y ConvLSTM). Realizamos la prueba de pronóstico en seis horizontes (1, 6, 12, 18 y 24 meses). Nuestros resultados muestran que, cuando se aplica a datos mensuales de la Competencia M3 industrial como paso de preprocesamiento, la descomposición STL puede beneficiar el pronóstico utilizando métodos estadísticos pero perjudica a los de aprendizaje automático. Además, el método de combinación STL-Theta muestra los mejores resultados de pronóstico en cuatro de los cinco horizontes de pronóstico.