Lección 6 del curso Pronósticos de Series de Tiempo con ARIMA.
En la lección anterior vimos el procedimiento paso a paso sugerido para implementar un modelo ARIMA, incluyendo la manera como podemos ajustar sus hiper-parámetros p, d y q.
En esta lección vamos a extender lo que hemos aprendido hasta el momento acerca de los modelos ARIMA para el caso en el cual tenemos Series de Tiempo con componente estacional. Así que veremos qué son los modelos SARIMA y cómo usar estos modelos para resolver un problema de pronóstico de demanda energética.
Comencemos entonces entendiendo qué es un modelo SARIMA:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Como acabamos de ver, un modelo SARIMA toma los elementos básicos de un modelo ARIMA (componente auto-regresivo de orden p, componente de media móvil de orden q y orden de diferenciación d) y extiende estas ideas para el caso de series que además tienen estacionalidad.
De esta forma aparecen tres nuevos conjuntos de hiper-parámetros asociados al modelado de este componente estacional:
- El parámetro P que define el orden del componente auto-regresivo estacional
- El parámetro D asociado al orden de diferenciación estacional
- Y el parámetro Q que corresponde al orden del componente de media móvil estacional
Así que teniendo claros los conceptos detrás de estos modelos SARIMA, veamos cómo abordar un problema de pronósticos de Series de Tiempo con estos modelo haciendo uso de Python y de la librería StatsForecast:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Muy bien, acabamos de ver cómo resolver de forma práctica un problema de pronósticos de Series de Tiempo usando modelos SARIMA.
En este caso, hemos usado datos reales para entrenar, validar y generar pronósticos con un modelo SARIMA capaz de predecir la demanda energética para las próximas 24 horas en el estado de California.
Y en particular, vimos cómo determinar no sólo los parámetros p, d, q del modelo ARIMA convencional, sino cómo determinar igualmente los parámetros P, D y Q del componente estacional.
Así que con lo visto hasta este punto ya tenemos un conjunto de modelos ARIMA y SARIMA que nos permiten pronosticar el comportamiento de diferentes Series de Tiempo.
Sin embargo, una limitación de estos modelos es que los pronósticos se realizan únicamente con base en los valores históricos de la Serie de Tiempo. Sin embargo, en muchos problemas reales el comportamiento de la Serie depende además de otros elementos externos, que se conocen como variables exógenas.
Por ejemplo, si tenemos una Serie de Tiempo con datos de ventas, es posible que esos niveles de ventas dependan no sólo de los valores históricos sino también de la época del año. Así que esas fechas asociadas a la época del año son precisamente una variable exógena.
Así que en las dos últimas lecciones del curso veremos cómo incorporar estas variables exógenas a los modelos ARIMA y SARIMA. Y en particular, en la próxima lección hablaremos de ARIMAX, que es el resultado de incorporar variables exógenas a un modelo ARIMA.
Todas las lecciones del curso Pronósticos de Series de Tiempo con ARIMA