Desarrollo y aplicación de metodología de modelado predictivo de series temporales

Abstract

La capacidad de anticiparse a eventos futuros nunca había estado tan a nuestro alcance como en el momento actual. El crecimiento exponencial experimentado por la Inteligencia Artificial en los últimos años ha impulsado la aplicación generalizada de algoritmos basados en Aprendizaje Automático, convirtiendo esta posibilidad en una realidad tangible y consolidándola como una herramienta poderosa que ha sido ampliamente adoptada por las empresas a nivel global. Los beneficios de anticipar el futuro son, como uno puede imaginar, incalculables, y las organizaciones están tomando cada vez más conciencia de esta ventaja. Es por ello que en este Trabajo de Fin de Grado (TFG) se presenta una metodología de predicción de series temporales, desarrollada en colabaración con GAMCO S.L. que tiene como objetivo aportar una solución innovadora, fácil de implementar y que pueda adaptarse a una amplia variedad de contextos. Esta metodología, basada en técnicas de minería de datos, utiliza como entradas los valores pasados de la serie temporal para predecir los valores futuros. Estas entradas, conocidas como entradas autorregresivas, se implementan en dos tipos de modelos predictivos: los modelos lineales de tipo ARX y los modelos no lineales de tipo RBF. Este método se aplica a dos conjuntos de datos reales bastante diferentes entre si. En primer lugar, a una serie temporal de la demanda de energía eléctrica en los hogares de tres ciudades españolas, y en segundo lugar, se utilizará para tratar de predecir la serie temporal que conforman las transacciones de los dispensadores de un banco. De esta manera, el objetivo principal de este trabajo consiste en evaluar la adaptación de nuestra metodología a dichas series, analizando a su vez, qué tipo de modelos se ajustan mejor a cada serie, para qué entradas, y cómo de buenas son las predicciones al comparar los resultados obtenidos en las diversas pruebas realizadas.

The ability to anticipate future events has never been as within our reach as it is at the present moment. The exponential growth experienced by Artificial Intelligence in recent years has driven the widespread application of Machine Learning-based algorithms, turning this possibility into a tangible reality and establishing it as a powerful tool that has been widely adopted by companies globally. The benefits of anticipating the future are, as expected, incalculable, and organizations are increasingly aware of this advantage. This is why in this Bachelor’s Thesis (TFG), a methodology for time series prediction is presented, developed in collaboration with GAMCO S.L. The goal is to provide an innovative, easy-toimplement solution that can adapt to a wide variety of contexts. This methodology, based on data mining techniques, uses past values of the time series as inputs to predict future values. These inputs, known as autoregressive inputs, are implemented in two types of predictive models: linear ARX models and non-linear RBF models. This method is applied to two quite different real datasets. First, to a time series of household electricity demand in three Spanish cities, and second, it will be used to try to predict the time series formed by the transactions of a bank’s ATMs. In this way, the main objective of this work is to evaluate the adaptation of our methodology to these series, while also analyzing what types of models are better suited to each series, for which inputs, and how good the predictions are when comparing the results obtained in the various tests conducted.