Atribución-NoComercial 4.0 InternacionalCabarcas Jaramillo, DanielGonzáles Alvarez, Nelfi GertrudisBetancur Rodríguez, Daniel2024-04-162024-04-162024-04-16https://repositorio.unal.edu.co/handle/unal/85925IlustracionesEl 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)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 compared1 recursos en línea (167 páginas)application/pdfspahttp://creativecommons.org/licenses/by-nc/4.0/510 - Matemáticas::519 - Probabilidades y matemáticas aplicadasTrabajo de grado - MaestríaUniversidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/info:eu-repo/semantics/openAccessAnálisis de series de tiempoProcesos de PoissonRedes neuronales (computadores)Aprendizaje automático (inteligencia artificial)Modelos lineales generalizadosprediccióndatos de conteosregresión Poissonseries de tiemporedes neuronales recurrentestransformersGeneralized lineal modelsPredictionCount dataPoisson regressionStatespace modelsTime seriesReuronal networksRecurrent neuronal networksTransformers