Evaluación comparativa de modelos estadísticos y de aprendizaje automático para el pronóstico de series de tiempo

dc.contributorToro Ocampo, Eliana Mirledy
dc.creatorMosquera Collazos , Cristian Camilo
dc.date2023-02-15T20:32:28Z
dc.date2023-02-15T20:32:28Z
dc.date2022
dc.date.accessioned2023-06-05T15:18:27Z
dc.date.available2023-06-05T15:18:27Z
dc.identifierUniversidad Tecnológica de Pereira
dc.identifierRepositorio Institucional Universidad Tecnológica de Pereira
dc.identifierhttps://repositorio.utp.edu.co/home
dc.identifierhttps://hdl.handle.net/11059/14541
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/6645797
dc.descriptionEn el trabajo se aborda un experimento mediante el cual se explora la idea de un aproximador universal de series de tiempo, comparando tres diferentes algoritmos de aprendizaje automático y dos estadísticos; Para esto primero se generan diferentes series de tiempo utilizando un algoritmo de caminata aleatoria con el fin de generar datos sintéticos que presentan distribuciones de probabilidad escogidas en la investigación. Con esos datos generados se analizan los resultados del pronóstico de los modelos a diferentes fronteras de tiempo. Al final se presentan tres casos de uso para los pronósticos de series de tiempo en la optimización de portafolios de inversión, en predecir el precio de la TRM y predecir el comportamiento de un índice económico.
dc.descriptionThe paper deals with an experiment through which the idea of a universal approximator of time series, comparing three different machine learning algorithms and two statistics; For this, different time series are first generated using a random walk algorithm in order to generate synthetic data that present probability distributions chosen in the investigation. With these generated data, the forecast results of the models are analyzed at different time frontiers. At the end, three use cases are presented for time series forecasts in the optimization of investment portfolios, in predicting the price of the TRM and in predicting the behavior of an economic index.
dc.descriptionPregrado
dc.descriptionIngeniero(a) Industrial
dc.descriptionIndice general Introducción 11 Materias de Investigación 13 L´ımite o alcance 15 Problema de investigación 17 1. Planteamiento del problema . . . . . . . . . . . . . . . . . . . 18 2. Formulación del problema . . . . . . . . . . . . . . . . . . . . 18 3. Sistematización del problema . . . . . . . . . . . . . . . . . . 18 4. Beneficios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 Justificación 20 Objetivos 23 5. Objetivo general . . . . . . . . . . . . . . . . . . . . . . . . . 23 6. Objetivos específicos . . . . . . . . . . . . . . . . . . . . . . . 23 Marcos de referencia 24 7. Marco te´orico . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 7.1. Pron´ostico de series de tiempo . . . . . . . . . . . . . . 26 7.2. Data Science y pron´ostico de series de tiempo . . . . . 29 7.3. Modelos estad´ısticos de pron´ostico . . . . . . . . . . . 29 7.4. Modelos de aprendizaje autom´atico . . . . . . . . . . . 32 7.5. Preprocesamiento de datos . . . . . . . . . . . . . . . . 41 7.6. Simulaci´on de series de tiempo utilizando el algoritmo Metropolis–Hastings . . . . . . . . . . . . . . . . . . . 42 7.7. Pruebas de bondad y ajuste . . . . . . . . . . . . . . . 43 8. Marco conceptual . . . . . . . . . . . . . . . . . . . . . . . . . 44 4 ´INDICE GENERAL 5 9. Marco espacial . . . . . . . . . . . . . . . . . . . . . . . . . . 45 10. Marco temporal . . . . . . . . . . . . . . . . . . . . . . . . . . 45 Metodolog´ıa de la investigaci´on 47 11. Tipo de investigaci´on . . . . . . . . . . . . . . . . . . . . . . . 47 12. Dise˜no de la investigaci´on . . . . . . . . . . . . . . . . . . . . 47 Dise˜no del experimento 49 13. Generar muestras utilizando el algoritmo metropolis . . . . . . 51 14. Modelos Estad´ısticos y de Aprendizaje Autom´atico . . . . . . 56 14.1. M´etodo de la ventana deslizante . . . . . . . . . . . . . 56 14.2. Modelo ARIMA . . . . . . . . . . . . . . . . . . . . . . 58 14.3. Modelo Suavizamiento exponencial . . . . . . . . . . . 59 14.4. Modelo Perceptr´on Multicapa . . . . . . . . . . . . . . 60 14.5. Modelo kNN regresi´on . . . . . . . . . . . . . . . . . . 61 14.6. Modelo LSTM . . . . . . . . . . . . . . . . . . . . . . . 61 15. Preprocesamiento . . . . . . . . . . . . . . . . . . . . . . . . . 62 Resultados del experimento 63 16. ARIMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 16.1. Resultado de los par´ametros ARIMA . . . . . . . . . . 63 16.2. ARIMA Resultados . . . . . . . . . . . . . . . . . . . . 65 17. Suavizamiento exponencial . . . . . . . . . . . . . . . . . . . . 71 17.1. Resultado de par´ametros Suavizamiento exponencial . 72 17.2. Resultados Suavizamiento Exponencial . . . . . . . . . 74 17.3. Complejidad computacional Suavizamiento Exponencial 76 18. kNN regresi´on . . . . . . . . . . . . . . . . . . . . . . . . . . . 77 18.1. Resultados kNN regresi´on sin preprocesamiento . . . . 77 18.2. Resultados kNN con normalizaci´on . . . . . . . . . . . 78 18.3. Complejidad computacional kNN . . . . . . . . . . . . 82 18.4. Conclusiones kNN . . . . . . . . . . . . . . . . . . . . 83 19. MLP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 19.1. Resultados MLP . . . . . . . . . . . . . . . . . . . . . 84 19.2. Complejidad computacional MLP . . . . . . . . . . . . 85 19.3. Conclusiones MLP . . . . . . . . . . . . . . . . . . . . 86 20. LSTM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 20.1. LSTM Resultados . . . . . . . . . . . . . . . . . . . . . 86 20.2. Complejidad computacional LSTM . . . . . . . . . . . 87 ´INDICE GENERAL 6 20.3. Conclusiones LSTM . . . . . . . . . . . . . . . . . . . 88 21. Conclusiones del experimento . . . . . . . . . . . . . . . . . . 88 Casos de aplicaci´on 90 22. Producci´on de energ´ıa . . . . . . . . . . . . . . . . . . . . . . 90 23. Caso TRM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95 24. Caso Portafolio de inversi´on . . . . . . . . . . . . . . . . . . . 100 A. Algoritmo Metropolis- KStest 106 B. Modelos Estad´ısticos 110 1. Ventana deslizante . . . . . . . . . . . . . . . . . . . . . . . . 110 2. ARIMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 2.1. C´alculo de par´ametros . . . . . . . . . . . . . . . . . . 114 3. Suavizamiento Exponencial . . . . . . . . . . . . . . . . . . . 115 3.1. Algoritmo gen´etico . . . . . . . . . . . . . . . . . . . . 116 C. Modelos de Aprendizaje Autom´atico 118 1. kNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118 2. MLP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120 3. LSTM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122 D. Caso de Aplicación 126 1. IPG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126 2. TRM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 3. Portafolio de inversi´on . . . . . . . . . . . . . . . . . . . . . . 128
dc.format138 Páginas
dc.formatapplication/pdf
dc.formatapplication/pdf
dc.languagespa
dc.publisherUniversidad Tecnológica de Pereira
dc.publisherFacultad de Ciencias Empresariales
dc.publisherIngeniería Industrial
dc.relationAbadi, M., Agarwal, A., Barham, P., Brevdo, E., Chen, Z., Citro, C., Corra do, G. S., Davis, A., Dean, J., Devin, M., Ghemawat, S., Goodfellow, I., Harp, A., Irving, G., Isard, M., Jia, Y., Jozefowicz, R., Kaiser, L., Kudlur, M., Levenberg, J., Man´e, D., Monga, R., Moore, S., Murray, D., Olah, C., Schuster, M., Shlens, J., andh Ilya Sutskever, B. S., Talwar, K., Tucker, P., Vanhoucke, V., Vasudevan, V., Vi´egas, F., Vinyals, O., Warden, P., Wattenberg, M., Wicke, M., Yu, Y., and Zheng, X. (2015). TensorFlow: Large-scale machine learning on heterogeneous systems. Software available from tensorflow.org.
dc.relationAlaminos, A. (2005). Introducci´on a la sociolog´ıa matem´atica. A.F. Alaminos Chica, Santa Pola.
dc.relationArmstrong, J. S. (1985). Long-Range Forecasting: From Crystal Ball to Com puter. Wiley-Interscience.
dc.relationAzmi, N. ˙I. L. M. (2013). Parameters Estimation of Holt-Winters Smoot hing Method Using Genetic Algorithm. PhD thesis, Universiti Teknologi Malaysia
dc.relationBontempi, G., Taieb, S. B., and Borgne, L. (2013). Machine Learning Stra tegies for Time Series Forecasting. pages 62–77.
dc.relationCai, B., Meyer, R., and Perron, F. (2008). Metropolis–hastings algorithms with adaptive proposals. Statistics and Computing, 18(4):421–433.
dc.relationCarlos Eduardo Vasco, G. G. O. O. Z. (2006). ESTANDARES B ´ ASICOS ´ DE COMPETENCIAS EN MATEM ´ ATICAS Potenciar el pensamiento ´ matem´atico: ¡un reto escolar!, volume 1. Primera ed edition.
dc.relationChase, R. (2009). Administraci´on de operaciones : producc´on y cadena de suministros. McGraw-Hill/Interamericana Editores, M´exico Bogota
dc.relationChatfield, C. (2005). Time-series forecasting. Significance, 2(3):131–133.
dc.relationChernoff, H. and Lehmann, E. L. (1954). The use of maximum likelihood estimates in χ 2 tests for goodness of fit. Ann. Math. Statist., 25(3):579–586.
dc.relationChib, S. and Greenberg, E. (1995). Understanding the metropolis-hastings algorithm. The American Statistician, 49(4):327.
dc.relationde Myttenaere, A., Golden, B., Le Grand, B., and Rossi, F. (2016). Mean ab solute percentage error for regression models. Neurocomputing, 192:38–4
dc.relationFlores, B. E. (1986). A Pragmatic View of Accuracy Measurement in Fore casting. 14(2):93–98
dc.relationGarcía, S., Ra, S., and Luengo, J. (2016). Big Data : Preprocesamiento. pages 17–23.
dc.relationGómez Fuentes, M. d. C. and Ojeda Cervantes, J. (2014). Introducci´on al An´alisis y al Dise˜no de Algoritmos. M´exico D.F., 1 edition.
dc.relationGoodfellow, I. (2016). Deep learning. The MIT Press, Cambridge, Massa chusetts.
dc.relationHan, J., Pei, J., and Kamber, M. (2011). Data Mining: Concepts and Tech niques. The Morgan Kaufmann Series in Data Management Systems. El sevier Science
dc.relationHaroon, D. (2017). Python machine learning case studies : five case studies for the data scientist. Apress, Berkeley, CA.
dc.relationHaykin, S. (1999). Neural networks : a comprehensive foundation. Prentice Hall, Upper Saddle River, N.J.
dc.relationHochreiter, S. and Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9:1735–80.
dc.relationHyndman, R. J. and Khandakar, Y. (2008). Automatic Time Series Forecas ting : The forecast Package for R. Journal of Statistical Software, 27(
dc.relationKlimovsky, G. (1994). Desventuras del Conocimiento Cientifico. Ciencia y la Gente. A-Z Editora.
dc.relationKubat, M. (2015). An introduction to machine learning. Springer, Cham
dc.relationKurzak, L. et al. (2012). Importance of forecasting in enterprise management. Advanced Logistic systems, 6(1):173–182.
dc.relationLiu, Q., Lee, J., and Jordan, M. (2016). A kernelized stein discrepancy for goodness-of-fit tests. In Balcan, M. F. and Weinberger, K. Q., editors, Proceedings of The 33rd International Conference on Machine Learning, volume 48 of Proceedings of Machine Learning Research, pages 276–284, New York, New York, USA. PMLR
dc.relationMakridakis, S. (1986). THE ART AND SCIENCE OF FORECASTING An Assessment and Future Directions. International Journal of Forecasting, 2:15–39.
dc.relationMakridakis, S., Spiliotis, E., and Assimakopoulos, V. (2018). Statistical and machine learning forecasting methods: Concerns and ways forward. PLOS ONE, 13(3):1–26.
dc.relationMarkowitz, H. (1959). Portfolio selection.
dc.relationMart´ınez, F., Fr´ıas, M. P., P´erez, M. D., and Rivera, A. J. (2019). A met hodology for applying k-nearest neighbor to time series forecasting. Artif. Intell. Rev., 52(3):2019–2037.
dc.relationMauricio, J. A. (2007). An´alisis de Series Temporales. Universidad Complu tense de Madrid.
dc.relationMauricio, J. A. (2013). Introducci´on al An´alisis de Series Temporales. Uni versidad Complutense de Madrid, 1 e
dc.relationMcKinney, W. et al. (2010). Data structures for statistical computing in python. In Proceedings of the 9th Python in Science Conference, volume 445, pages 51–56. Austin, TX
dc.relationMendenhall, W. (2010). Introducci´on a la probabilidad y estad´ıstica. 13e. Cengage Learning Editores S.A. de C.V, Mexico
dc.relationOsorio-angarita, M. A. and Su´arez-Parra, A. B. (2013). Importancia de la probabilidad y la estad´ıstica en la formaci´on del Ingeniero Importance of the probability and the statistics in the formation of the engineer. (2):26– 37.
dc.relationParmezan, A. R. S., Souza, V. M., and Batista, G. E. (2019). Evaluation of statistical and machine learning models for time series prediction: Identif ying the state-of-the-art and the best conditions for the use of each model. Information Sciences, 484:302–337.
dc.relationPerktold, J., Seabold, S., and Taylor, J. (2020). Time series analysis tsa
dc.relationRadovilsky, Z., Hegde, V., Acharya, A., and Uma, U. (2018). Skills requi rements of business data analytics and data science jobs: A comparative analysis. Journal of Supply Chain and Operations Management, 16(1):82.
dc.relationRascha, S. and Mirjalili, V. (2017). Python Machine Learning: Aprendizaje autom´atico y aprendizaje profundo con Python, scikit-learn y TesnorFlow. Marcombo.
dc.relationRIVADULLA, A. (2004). La filosof´ıa de la ciencia hoy. problemas y posicio nes. Perspectivas del pensamiento contempor´aneo, 2:109–163.
dc.relationRodriguez, J. L., Sandoval, D., and Pacheco, G. D. (2008). Deteccion de Outliers Aplicando Algoritmo de Optimizacion basado en el Apareo de Abejas.
dc.relationRose, D. (2016). Data Science: Create Teams That Ask the Right Questions and Deliver Real Value. Apress.
dc.relationSeabold, S. and Perktold, J. (2010). statsmodels: Econometric and statistical modeling with python. In 9th Python in Science Conference.
dc.relationSolano, H. (2006). Estad´ıstica inferencial. Uninorte, Barranquilla, Colombia.
dc.relationSteele, B. (2016). Algorithms for data science. Springer, Cham, Switzerland.
dc.relationTofallis, C. (2015). A Better Measure of Relative Prediction Accuracy for Model Selection and Model Estimation. Journal of the Operational Re search Society, 66:1352–1362.
dc.relationVafaeipour, M., Rahbari, O., Rosen, M. A., Fazelpour, F., and Ansarirad, P. (2014). Application of sliding window technique for prediction of wind velocity time series. International Journal of Energy and Environmental Engineering, 5(2-3)
dc.relationValencia C´ardenas, M., Ram´ırez Agudelo, S., Tabares, J. F., and Vel´asquez Galvis, C. A. (2014). METODOS DE PRON ´ OSTICOS - CL ´ ASICOS Y ´ BAYESIANOS CON APLICACIONES. Number c. Universidad Nacional de Colombia Sede Medell´ın Facultad de Minas, Medell´ın
dc.relationVan Der Walt, S., Colbert, S. C., and Varoquaux, G. (2011). The numpy array: a structure for efficient numerical computation. Computing in Scien ce & Engineering, 13(2):22.
dc.relationVirtanen, P., Gommers, R., Oliphant, T. E., Haberland, M., Reddy, T., Cour napeau, D., Burovski, E., Peterson, P., Weckesser, W., Bright, J., van der Walt, S. J., Brett, M., Wilson, J., Jarrod Millman, K., Mayorov, N., Nel son, A. R. J., Jones, E., Kern, R., Larson, E., Carey, C., Polat, ˙I., Feng, Y., Moore, E. W., Vand erPlas, J., Laxalde, D., Perktold, J., Cimrman, R., Henriksen, I., Quintero, E. A., Harris, C. R., Archibald, A. M., Ribeiro, A. H., Pedregosa, F., van Mulbregt, P., and Contributors, S. . . (2020). SciPy 1.0: Fundamental Algorithms for Scientific Computing in Python. Nature Methods, 17:261–272
dc.relationWackerly, D. (2008). Mathematical statistics with applications. Thomson Brooks/Cole, Belmont, CA.
dc.relationWilliams, T. A. (2015). Quantitative methods for business + cengagenow, 1 term access. South-Western, New York.
dc.relationYahmed, Y. B., Bakar, A. A., RazakHamdan, A., Ahmed, A., and Syed Ab dullah, S. M. (2015). Adaptive sliding window algorithm for weather data segmentation. Journal of Theoretical & Applied Information Technology, 80(2).
dc.relationZankova, E. (2016). High frequency financial time series prediction : machine learning approach. Master thesis in mathematics, University of Tromsø.
dc.relationZhang, S., Zhang, C., and Yang, Q. (2003). Data preparation for data mining. Applied Artificial Intelligence, 17(5-6):375–381
dc.rightsManifiesto (Manifestamos) en este documento la voluntad de autorizar a la Biblioteca Jorge Roa Martínez de la Universidad Tecnológica de Pereira la publicación en el Repositorio institucional (http://biblioteca.utp.edu.co), la versión electrónica de la OBRA titulada: ________________________________________________________________________________________________ ________________________________________________________________________________________________ ________________________________________________________________________________________________ La Universidad Tecnológica de Pereira, entidad académica sin ánimo de lucro, queda por lo tanto facultada para ejercer plenamente la autorización anteriormente descrita en su actividad ordinaria de investigación, docencia y publicación. La autorización otorgada se ajusta a lo que establece la Ley 23 de 1982. Con todo, en mi (nuestra) condición de autor (es) me (nos) reservo (reservamos) los derechos morales de la OBRA antes citada con arreglo al artículo 30 de
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightshttp://purl.org/coar/access_right/c_abf2
dc.rightsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rightshttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject650 - Gerencia y servicios auxiliares::658 - Gerencia general
dc.subjectAnálsis de series de tiempo
dc.subjectPronostico del tiempo por estadistica
dc.subjectAnalisis de varianza
dc.subjectPronósticos de series de tiempo
dc.subjectMetropolis-Hastings Algorithm
dc.subjectDatos sintéticos
dc.titleEvaluación comparativa de modelos estadísticos y de aprendizaje automático para el pronóstico de series de tiempo
dc.typeTrabajo de grado - Pregrado
dc.typehttp://purl.org/coar/resource_type/c_7a1f
dc.typehttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.typeText
dc.typeinfo:eu-repo/semantics/bachelorThesis
dc.typeinfo:eu-repo/semantics/acceptedVersion


Este ítem pertenece a la siguiente institución