Optimización de modelos predictivos para Series de Tiempo Jerárquicas (HTS)

Mostrar todas las versiones(2)

"Las series de tiempo jerárquicas (HTS) son un subconjunto de series de tiempo que están contenidas dentro de una estructura o jerarquía. Esta estructura puede estar dada por características propias del producto/servicio, como su categoría, departamento, etc., o por una división geográfica, com...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Woodley, Patricio Alex
Otros Autores: Riccillo, Marcela
Formato: Trabajo final de especialización
Lenguaje:Español
Publicado: 2022
Materias:
REDES NEURONALES
APRENDIZAJE AUTOMATICO
PREDICCIONES
Acceso en línea:https://ri.itba.edu.ar/handle/123456789/3988
Aporte de:
Repositorio Institucional Instituto Tecnológico de Buenos Aires (ITBA) de Instituto Tecnológico de Buenos Aires (ITBA)
id I32-R138-123456789-3988
record_format dspace
spelling I32-R138-123456789-39882022-12-07T15:24:19Z Optimización de modelos predictivos para Series de Tiempo Jerárquicas (HTS) Woodley, Patricio Alex Riccillo, Marcela REDES NEURONALES APRENDIZAJE AUTOMATICO PREDICCIONES "Las series de tiempo jerárquicas (HTS) son un subconjunto de series de tiempo que están contenidas dentro de una estructura o jerarquía. Esta estructura puede estar dada por características propias del producto/servicio, como su categoría, departamento, etc., o por una división geográfica, como por ejemplo ciudad, estado o país. Las técnicas clásicas como ARIMA o ETS no son óptimas para este tipo de conjunto de series, ya que la estructura puede aportar información valiosa que pasaría inadvertida o al menos no tan fácilmente identificable si modelamos las series de tiempo por separado. Debido a esto, se comparó el desempeño de Redes Neuronales LSTM, las cuales son ampliamente utilizadas para series de tiempo, y de técnicas específicas para series de tiempo jerárquicas como Bottom-Up y Reconciliación Óptima para predecir las ventas de departamentos dentro de tiendas de Walmart en EE.UU. Se analizaron en detalle 70 series de tiempo a nivel tienda-departamento y se demostró la eficacia de estas." "Hierarchical Time Series (HTS) are a subset of time series that are contained inside of a structure or hierarchy. This kind of structure may be defined by important characteristics of the product/service, like its category or department, or it may be defined by some geographic division, for instance, city, state, country and so on. Classic approaches for time series, like ARIMA or ETS are suboptimal for this kind of series due to the fact that this hierarchy could give us interesting information for forecasting that may be hidden or not easily identifiable if we model all the series separately. Because of that, we compared the performance of LSTM Neural Networks, which are widely used for time series, and some specific approaches for hierarchical time series as Bottom-up and Optimal Reconciliation in order to forecast department sales for Walmart stores in the USA. We performed an in-depth analysis for 70 store-departamental time series and showed the efficacy of these techniques for each one." Trabajo Final Ciencia de Datos (especialización) - Instituto Tecnológico de Buenos Aires, Buenos Aires, 2021 2022-11-10T13:47:13Z 2022-11-10T13:47:13Z 2021-10-21 Trabajo final de especialización https://ri.itba.edu.ar/handle/123456789/3988 es application/pdf
institution Instituto Tecnológico de Buenos Aires (ITBA)
institution_str I-32
repository_str R-138
collection Repositorio Institucional Instituto Tecnológico de Buenos Aires (ITBA)
language Español
topic REDES NEURONALES
APRENDIZAJE AUTOMATICO
PREDICCIONES
spellingShingle REDES NEURONALES
APRENDIZAJE AUTOMATICO
PREDICCIONES
Woodley, Patricio Alex
Optimización de modelos predictivos para Series de Tiempo Jerárquicas (HTS)
topic_facet REDES NEURONALES
APRENDIZAJE AUTOMATICO
PREDICCIONES
description "Las series de tiempo jerárquicas (HTS) son un subconjunto de series de tiempo que están contenidas dentro de una estructura o jerarquía. Esta estructura puede estar dada por características propias del producto/servicio, como su categoría, departamento, etc., o por una división geográfica, como por ejemplo ciudad, estado o país. Las técnicas clásicas como ARIMA o ETS no son óptimas para este tipo de conjunto de series, ya que la estructura puede aportar información valiosa que pasaría inadvertida o al menos no tan fácilmente identificable si modelamos las series de tiempo por separado. Debido a esto, se comparó el desempeño de Redes Neuronales LSTM, las cuales son ampliamente utilizadas para series de tiempo, y de técnicas específicas para series de tiempo jerárquicas como Bottom-Up y Reconciliación Óptima para predecir las ventas de departamentos dentro de tiendas de Walmart en EE.UU. Se analizaron en detalle 70 series de tiempo a nivel tienda-departamento y se demostró la eficacia de estas."
author2 Riccillo, Marcela
author_facet Riccillo, Marcela
Woodley, Patricio Alex
format Trabajo final de especialización
author Woodley, Patricio Alex
author_sort Woodley, Patricio Alex
title Optimización de modelos predictivos para Series de Tiempo Jerárquicas (HTS)
title_short Optimización de modelos predictivos para Series de Tiempo Jerárquicas (HTS)
title_full Optimización de modelos predictivos para Series de Tiempo Jerárquicas (HTS)
title_fullStr Optimización de modelos predictivos para Series de Tiempo Jerárquicas (HTS)
title_full_unstemmed Optimización de modelos predictivos para Series de Tiempo Jerárquicas (HTS)
title_sort optimización de modelos predictivos para series de tiempo jerárquicas (hts)
publishDate 2022
url https://ri.itba.edu.ar/handle/123456789/3988
work_keys_str_mv AT woodleypatricioalex optimizaciondemodelospredictivosparaseriesdetiempojerarquicashts
_version_ 1766093718441426944

Ejemplares similares