PREDICCIÓN DE SERIES TEMPORALES USANDO MÁQUINAS DE VECTORES DE SOPORTE (original) (raw)
Related papers
En este trabajo se analiza el error que se comete cuando se pronostican las actividades operativas en una empresa conservera de la zona, utilizando métodos de proyección histórica cuantitativos: determinísticos (suavizado exponencial y variantes), estocásticos (Box -Jenkins) y de proyección enfocada. Estos métodos se emplearon para analizar las ventas ocurridas en 5 años. Utilizando como criterio de selección el método de menor RMSE se determinó cuál era el mejor modelo para los distintos productos. No se pudo obtener un único método de pronóstico. También se realizó un análisis acerca de los distintos softwares –Crystal Ball y SPSS- que se utilizaron en la obtención de los mismos. Posteriormente se mejoraron las proyecciones obtenidas a través de la alternativa de combinación lineal de los distintos pronósticos y la alternativa de suavizado exponencial de los datos iniciales.
Aplicación De Series De Tiempo en La Realización De Pronósticos De Producción
Revista Fuentes, 2016
Production forecasting is a daily activity in Petroleum Engineering, developed by commercial software based in Decline Curve Analysis and Type Curves. These models have failures in two aspects: the first one, models are conditioned to wells producing under pseudosteady state; second one, the production data is fitted to a tendential line, that is extrapolated in the time for get the forecasting. In this investigation, as an alternative to those models, a time series application is proposed, because time series include tendencial, cyclic and stational components of production data. The error between the actual data was compared to the forecasts obtained by conventional methods and results of the time series model. This application allowed to obtain a better history matching of data, evidence that other trends may be in decline (cubic, for example) and increase the accuracy of forecasts generated. Keywords: Production, Forecasting, Time Series, ARIMA Model.
LAS MÁQUINAS DE SOPORTE VECTORIAL (SVMs
Una Máquina de Soporte Vectorial (SVM) aprende la superficie decisión de dos clases distintas de los puntos de entrada. Como un clasificador de una sola clase, la descripción dada por los datos de los vectores de soporte es capaz de formar una frontera de decisión alrededor del dominio de los datos de aprendizaje con muy poco o ningún conocimiento de los datos fuera de esta frontera. Los datos son mapeados por medio de un kernel Gaussiano u otro tipo de kernel a un espacio de características en un espacio dimensional más alto, donde se busca la máxima separación entre clases. Esta función de frontera, cuando es traída de regreso al espacio de entrada, puede separar los datos en todas las clases distintas, cada una formando un agrupamiento.
Predicción de Múltiples Puntos de Series de Tiempo Utilizando Support Vector Machines
Computacion Y Sistemas, 2009
mediante un corrimiento de ventana para Support Vector Machines (SVM) con dos funciones de kernel distintas (lineal y con base radial). Para la evaluación se utilizó un conjunto de treinta series de diferente origen y comportamiento dinámico. Se encuentra que la SVM posee una buena capacidad para ajustarse a las diferentes dinámicas de las series de tiempo y presenta un buen desempeño para la predicción de los primeros puntos de las series utilizando la función de kernel radial, a pesar del proceso de expansión del error de predicción. Palabras clave: Funciones de Kernel para SVM, Predicción de series de tiempo, Support Vector Machines. Abs tract This paper presents the evaluation of the forecasting for multiple points in time series, by means of Support Vector Machines (SVM) with a shifting window and two different kernel functions (linear and radial basis). The evaluation was made with a set of 30 time series from different origins and dynamics. The results show that SVM has a good capability for the adaptation to different time series dynamics, and also presents a good performance for the forecasting of the first points of the time series using the radial basis kernel function, in spite of the expansion of the forecast error.
Note que dada la estructura de n , diferenciar la función de verosimilitud es muy complicado y por tanto difícil de optimizar. En estos casos, se aplican métodos numéricos con estimadores iniciales dados en la estimación preliminar.