Análisis comparativo de metodologías de pronóstico para múltiples series de tiempo de conteos
Tipo de contenido
Trabajo de grado - Maestría
Idioma del documento
EspañolFecha de publicación
2024-04-16Resumen
El pronóstico de series de tiempo de conteos es un caso particular de interés para la asignación óptima de capacidades e inventarios acorde a la demanda esperada, entre otras aplicaciones. Para abordar el pronóstico de las series de tiempo de conteos se han propuesto modelos estadísticos como los modelos autorregresivos para series de conteo o los modelos dinámicos generalizados. Por otro lado, se han aplicado metodologías basadas en algoritmos de machine learning apalancándose en la creciente potencia computacional, como las redes neuronales recurrentes y las arquitecturas basadas en algoritmos de atención, llamadas Transformers. El presente trabajo explora el problema del pronóstico paralelo de múltiples series de conteo, aplicando metodologías propias de la estadística y el machine learning en diversos escenarios de simulación en los cuales se compara la calidad de pronóstico, el tiempo computacional demandado y el esfuerzo para adaptar las metodologías a casos reales (texto tomado de la fuente)Abstract
Forecasting time series of counts, with support on non-negative integers, is a particular case of interest for optimal job assigment and inventory allocation according to expected demand, among other applications. To address the problem of forecasting time series of counts, statiscal models such as autorregresive models for count data or dynamic generalized models have been proposed. On the other side, methodologies based on machine learning algorithms have been applied, leveraging on the increasing computational power, such as recurrent neuronal netwroks, LSTM networks architecures and architectures based in attention algorithms called Transformers. This study explores the problem of parallel forecasting multiple time series of counts, applying statistical and machine learning methodologies to various simulation scenarios in which the forecasting performance, demanded computational time, and the effort to adapt each methodology to real cases are comparedPalabras clave
Modelos lineales generalizados ; predicción ; datos de conteos ; regresión Poisson ; series de tiempo ; redes neuronales recurrentes ; transformers ; Generalized lineal models ; Prediction ; Count data ; Poisson regression ; Statespace models ; Time series ; Reuronal networks ; Recurrent neuronal networks ; Transformers ;
Descripción Física/Lógica/Digital
Ilustraciones
Colecciones
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial 4.0.Este documento ha sido depositado por parte de el(los) autor(es) bajo la siguiente constancia de depósito