28 de noviembre de 2008
Resumen:
Las series temporales clásicas, donde cada instante es descrito por un número real, sirven para representar una gran multitud de situaciones de la vida real, pero no son capaces de describir fielmente situaciones en las que en cada instante se deba reflejar cierta variabilidad. Los datos simbólicos de intervalo e histograma permiten representar dicha variabilidad a lo largo del tiempo, dando lugar a series temporales de intervalos e histogramas, respectivamente. En este trabajo se han abordado algunos aspectos relativos a estas series temporales como, por ejemplo, la medición del error, pero el principal objetivo de ha sido el desarrollar métodos que permitan predecir estos nuevos tipos de series temporales de manera eficaz.
Las aproximaciones que se han propuesto para predecir series temporales de intervalos incluyen:
- Alisados exponenciales basados en la aritmética de intervalos
- Método de k-NN basado en la aritmética de intervalos
- Perceptrón multicapa basado en la aritmética de intervalos
- Predicción mediante las series temporales de sus componentes (mínimo, máximo, centro y radio) aplicando para ello métodos de predicción (univariantes o multivariantes) para series temporales clásicas.
Mientras que los métodos desarrollados para predecir series temporales de histogramas son:
- Alisados exponenciales basados en la aritmética de histogramas
- Alisados exponenciales basados en el concepto de baricentro
- Método de k-NN basado en el histograma basados en el concepto de baricentro
La capacidad predictiva de tods estos métodos ha sido probada con éxito en ejemplos reales de diferentes ámbitos como, por ejemplo, la meteorología o las finanzas.
Descriptores: Inteligencia Artificial, Series Temporales, Técnicas de Predicción Estadística
Cita:
J. Arroyo (2008), Métodos de predicción para series temporales de intervalos e histogramas. Madrid (España).
