Atribución-NoComercial-SinDerivadas 4.0 InternacionalArrieta Prieto, Mario EnriqueHurtado Moreno, Marlijar2025-04-072025-04-072024-10https://repositorio.unal.edu.co/handle/unal/87857ilustraciones, diagramas, tablasEl estudio sobre la aplicación de la regresión de soporte vectorial (SVR) en series de tiempo multivariadas ha sido escaso, a pesar de las ventajas que ofrece este algoritmo en el análisis de series de tiempo univariadas, ya que facilita un modelado y pronóstico preciso, especialmente en situaciones donde las series son no lineales o no cumplen con los supuestos de los modelos tradicionales. Debido a estas ventajas, se presenta el interés por investigar si, en un contexto multivariado, el rendimiento de este algoritmo es más preciso para la predicción en comparación con un modelo clásico. Para ello, se ha desarrollado una rutina que permite implementar la regresión de soporte vectorial multivariada (MSVR), basada en el artículo ”Multi-step-ahead time series prediction using multiple-output support vector regression” (Bao, 2014), con el fin de evaluar la eficacia de la predicción en series multivariadas. Este algoritmo se ha adaptado considerando la estructura de autocorrelación presente en las series de tiempo multivariadas. Además, se ha puesto un énfasis especial en la selección del núcleo y los hiperparámetros óptimos, utilizando técnicas de búsqueda aleatoria que exploran eficientemente el espacio de posibles combinaciones de hiperparámetros para lograr predicciones precisas y generalizables (Texto tomado de la fuente).The investigation of support vector regression (SVR) application in multivariate time series has been limited, even though this algorithm provides significant advantages when applied to univariate time series. It enables accurate modeling and forecasting, especially in scenarios where the time series are nonlinear or fail to satisfy the assumptions of traditional models. Given these advantages, there is a growing interest in exploring whether the performance of this algorithm in a multivariate setting yields more accurate predictions than a classical model. To address this, a routine has been developed to implement multivariate support vector regression (MSVR) based on the article ”Multi-step-ahead time series prediction using multiple-output support vector regression”(Bao, 2014) to assess prediction efficiency in multivariate series. This algorithm has been modified to take into account the autocorrelation structure inherent in multivariate time series. Furthermore, careful consideration has been given to selecting the kernel and optimal hyperparameters, employing random search techniques that effectively navigate the space of potential hyperparameter combinations, which enables us to achieve accurate and generalizable predictions.ix, 81 páginasapplication/pdfspahttp://creativecommons.org/licenses/by-nc-nd/4.0/510 - Matemáticas::519 - Probabilidades y matemáticas aplicadas519.55Trabajo de grado - MaestríaUniversidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/info:eu-repo/semantics/openAccessANALISIS DE SERIES DE TIEMPO-MODELOS MATEMATICOSTime-series analysis - mathematical modelsSERIES (MATEMATICAS)SeriesSUCESIONES (MATEMATICAS)Sequences (mathematics)ANALISIS MULTIVARIANTEMultivariate analysisMATRICES (MATEMATICAS)-ENSENANZA PROGRAMADAMatrices - programmed instructionRegresión de soporte vectorialSeries de tiempo multivariadasPredicciónSupport vector regressionSVRMSVRMultivariate time seriesPrediction