Predicción de series temporales mediante técnicas de aprendizaje automático. Automatización del proceso

Abstract

La predicción de series temporales es el proceso de predecir valores o patrones futuros en una secuencia de datos ordenados en el tiempo. Esto involucra analizar el comportamiento pasado de una serie temporal y utilizar esta información para realizar predicciones sobre su comportamiento futuro. Gracias a esta predicción, las empresas pueden tomar decisiones informadas sobre la gestión del inventario, la asignación de recursos y la predicción de la demanda, entre otros. La predicción de series temporales es fundamental en campos como las finanzas, la meteorología, la demanda energética o la salud. Existen numerosas técnicas para este fin y podemos encontrar desde métodos clásicos estadísticos hasta los métodos más recientes de aprendizaje automático: las redes neuronales de aprendizaje profundo. En este Trabajo Fin de Grado se propone emplear una de las últimas técnicas aplicadas con bastante éxito en la predicción de series temporales: las redes neuronales recurrentes con memoria a corto y largo plazo o LSTM (Long Short-Term Memory). También se utilizarán, a modo de comparación, dos modelos más simples: modelos lineales autorregresivos con entradas exógenas o ARX (AutoRegressive with eXogenous inputs) y modelos de red neuronal con función de base radial o RBF (Radial Basis Function). Se aplicarán estos tres modelos en la predicción de dos conjuntos de datos diferentes: el volumen de llamadas de un centro de atención al cliente (CAC) y el saldo diario acumulado de transacciones realizadas en un tipo de dispositivo de una gran entidad bancaria iberoamericana, de carácter confidencial, y ambos proporcionados por la empresa GAMCO S.L. Una vez realizadas varias pruebas de predicción de forma manual y elegido un modelo de predicción, el último paso será automatizar el proceso (selección de entradas y ajuste de hiperparámetros) de predicción de series temporales, con el fin de simplificar y agilizar dicho proceso para futuras aplicaciones a diferentes series temporales.

Time series forecasting is the process of predicting future values or patterns in a sequence of data points ordered over time. This involves analyzing the past behavior of a time series and using that information to make predictions about its future behavior. Thanks to this prediction, businesses can make informed decisions about inventory management, resource allocation and demand forecasting, among others. Time series forecasting is essential in fields such as finance, meteorology, energy demand or healthcare. There are numerous techniques for this purpose and they range from classical statistical methods to the most recent methods in machine learning: deep learning neural networks. In this Final Degree Project it is proposed to use one of the latest techniques applied with great success in time series forecasting: LSTM or Long Short-Term Memory recurrent neural networks. Two simpler models will also be used for comparison: linear AutoRegressive models with eXogenous inputs or ARX and Radial Basis Function or RBF neural network models. These three models will be applied in the prediction of two different data sets: the volume of calls from a customer attention center (CAC) and the accumulated daily balance of transactions carried out on one type of device from a large Ibero-American banking entity, which is a confidential dataset, both provided by the company GAMCO S.L. After performing several forecast tests manually and selecting a predictive model, the last step will be to automate the process (input selection and hyperparameter tuning) of time series forecasting, in order to simplify and speed up the process for future predictions of different time series.