Pronóstico de series de tiempo con ciclo y tendencia usando redes neuronales artificiales

Abstract

El pronóstico de series de tiempo con ciclo y tendencia ha sido un problema vigente durante las últimas décadas en la literatura, este usualmente ha sido abordado mediante métodos clásicos como los modelos SARIMA y métodos más novedosos como las redes neuronales artificiales. Una decisión a tomar al momento de entrenar la red es si la red debe ser construida con los datos originales o que por el contrario, la tendencia y el ciclo deben ser removidos previamente, por lo que el objetivo de este trabajo fue determinar cuál de las aproximaciones es más adecuada para el pronóstico de series de tiempo con ciclo y tendencia en términos de precisión del modelo y adicionalmente, explorar la reproducción de las características de la serie en largo plazo en cada caso. Para esto, se utilizaron 3 series benchmark y se encontró que el modelo con los datos originales es capaz de pronosticar la serie de tiempo mejor que las redes a las cuales se les ha removido el ciclo y tendencia cuando se busca pronosticar el próximo periodo. Sin embargo, para los resultados en el largo plazo, la red con los datos originales pierde su capacidad de continuar con los patrones que originalmente mostraban la serie y se estabiliza, mientras que las redes sin ciclo y tendencia, aunque muestran un desempeño inferior a corto plazo, en el largo plazo, tienen un comportamiento más cercano a los resultados obtenidos por el modelo SARIMA que convergen al valor esperado.