scikit-forecasts: Una librería en Python para el pronóstico de series de tiempo no lineales

Abstract

El interés en el uso de técnicas de aprendizaje de máquinas, y en general, de modelos no lineales para el pronóstico de series de tiempo ha crecido exponencialmente en las últimas dos décadas. Sin embargo, muchas de las librerías disponibles de aprendizaje de máquinas no contemplan el uso de modelos de series de tiempo, haciendo que el científico de datos consuma gran parte de su tiempo en la tarea de convertir sus datos a un formato de problema de regresión para poder utilizar estas librerías. Esto claramente evidencia la necesidad de contar con librerías especializadas en el pronóstico de series de tiempo usando técnicas de aprendizaje de máquinas y modelos no lineales en general. En esta tesis se presenta la librería de Python de código abierto llamada scikit-forecasts, la cual permite transformar y pronosticar series de tiempo usando técnicas de aprendizaje de máquinas, entre las que se incluyen los modelos autorregresivos, las redes neuronales artificiales, modelos neuro-difusos, modelos TAR y modelos SETAR, entre otros. La librería puede ser usada interactivamente en un libro de Jupyter, lo que facilita el desarrollo de modelos. Los métodos de pronóstico se encuentran implementados como clases que pueden ser utilizadas con muchas de las funciones disponibles en scikit-learn. La librería está diseñada para soportar los procesos de evaluación de distintos tipos de transformaciones, el pronóstico con diferentes tipos de modelos no lineales y la comparación de pronósticos obtenidos con modelos diferentes. (Texto tomado de la fuente)

The significance of using machine learning techniques and nonlinear models for time series forecasting has been grown exponentially in past two decades. Nevertheless, a lot of Python packages and libraries using machine learning methods are not taking in account time series models and making data scientists to consume a lot of their time converting data into a regression problem format in order to use these libraries. This kind of issue remarks a necessity of packages and libraries focused on time series forecasting and the use of machine learning techniques and nonlinear models in general. This thesis introduces an open-source Python package called scikit-forecasts, which allows time series transforming and forecasting by using machine learning techniques such as autoregressive modes, artificial neural networks, neuro-fuzzy models, TAR and SETAR models, among others. This package can be interactively used in Jupyter notebooks, which simplifies and promotes new models’ development. Forecasting methods are implemented as classes that can be used with scikit-learn’s available functions. This package has been designed to support evaluation processes of different types of transformations, forecasts of several types of nonlinear models and comparisons of forecasting results that have been obtained using different models.