Predicción de Series Temporales Usando Técnicas Basadas en Datos

Abstract

Este trabajo consiste en un estudio detallado de Kriging Simple, Ordinario y Universal. Estas metodologías son ampliamente populares en campos como el de la interpolación espacial en geoestadística, cumplen con que se conoce como el mejor estimador lineal insesgado. El objetivo de este TFM es desarrollar a partir de las ecuaciones matemáticas una adaptación de esta metodología a la predicción de series temporales univariantes. Este documento analiza: las bases y la intuición en la que se fundamenta esta metodología, los requisitos que se asumen sobre los datos de entrada, la definición matemática con la que se formula el problema, el análisis sobre en qué condiciones se obtiene una mayor calidad de las predicciones. Se muestra el flujo de aprendizaje y lecciones aprendidas desde las primeras implementaciones que se realizan (aplicadas sobre datos sintéticos: función seno) hasta lograr finalmente una versión sólida para el objetivo de predicción de una serie temporal real. La serie real de estudio se trata de las ventas registradas por el Sistema de Salud Australiano de un medicamento, entre 1991 y 2008. Tras la aplicación en esta serie temporal real se incluye un estudio completo de la correlación entre los diferentes componentes de interés (mediante una descomposición STL de la serie) y se hace además hincapié en algunas de las limitaciones más relevantes que se han encontrado al aplicar esta metodología. Por último, se incluyen los resultados de algunos experimentos realizados en un enfoque hibrido de aplicación de Kriging Universal, como predictor del error que comete otro modelo de predicción.