Pronóstico de series de tiempo con tendencia y ciclo estacional usando el modelo airline y redes neuronales artificiales
DOI:
https://doi.org/10.17230/ingciencia.8.15.9Palabras clave:
Predicción, modelos no lineales, SARIMA, perceptrón multicapa.Resumen
Muchas series de tiempo con tendencia y ciclos estacionales son exitosamente modeladas y pronosticadas usando el modelo airline de Box y Jenkins; sin embargo, la presencia de no linealidades en los datos son despreciadas por este modelo. En este artículo, se propone una nueva versión no lineal del modelo airline; para esto, se reemplaza la componente lineal de promedios móviles por un perceptrón multicapa. El modelo propuesto es usado para pronosticar dos series de tiempo benchmark; se encontró que el modelo propuesto es capaz de pronosticar las series de tiempo con mayor precisión que otras aproximaciones tradicionales.
MSC: 62M10, 62M20
Descargas
Referencias
GEP. Box, GM. Jenkins. Time Series Analysis: Forecasting and Control. Holden–Day Inc, 1970
D. van Djck. Smooth Transition Models: Extensions and Outlier Robust Inference. PhD thesis, Erasmus University - Rotterdam, 1999. Referenciado en 173
C. Granger, T. Terasvirta. Modeling Nonlinear Economic Relationships. Oxford University Press, 1993.
I. Kaastra, M. Boyd. Designing a neural network for forecasting financial and economic series. Neurocomputing 10: 215–236, 1996.
GP. Zhang, B. Patuwo, M. Hu. Forecasting with artificial neural networks: the state of the art. International Journal of Forecasting, 14: 35–62, 1998.
MC. Medeiros, C. Veiga. A hybrid linear-neural model for time series forecasting. IEEE Transactions on Neural Networks, 11(6): 1402–1412, 2000.
MC.Medeiros, A. Veiga. A flexible coefficient smooth transition time series model. IEEE Transactions on Neural Networks, 16(1): 97–113, 2005.
G. Inoussa, H. Peng, J. Wu. Nonlinear time series modeling and prediction using functional weights wavelet neural network-based state-dependent AR model. Neurocomputing, 86(1): 59–74, 2012.
EWM Lee, RKK. Yuen, SM. Lo, KC. Lam, GH. Yeoh. A novel artificial neural network fire model for prediction of thermal interface location in single compartment fire. Fire Safety Journal, 39(1): 67–87, 2004.
B. Pang, S. Guo, L. Xiong, L. Chaoqun. A nonlinear perturbation model based on artificial neural network. Journal of Hydrology, 222(2-4): 504–516, 2007.
R. Hassan, B. Nath, M. Kirley. A fusion model of HMM, ANN and GA for stock market forecasting. Expert Systems with Applications, 33(1): 171–180, 2007.
TL. Lai, SPS. Wong. Stochastic neural networks with applications to nonlinear time series. Journal of the American Statistical Association, 96(455): 968–981, 2001.
Y, Chen, B. Yang, J. Dong, A. Abraham. Time-series forecasting using flexible neural tree model. Information Sciences, 174(3-4): 219–235, 2005.
M. Ghiassi, H. Saidane. A dynamic architecture for artificial neural networks. Neurocomputing, 63: 397–413, 2005.
M. Suarez-Farinas, CE. Pedreira, MC. Medeiros. Local global neural networks: a new approach for nonlinear time series modeling. Journal of the American Statistical Association, 99(468): 1092–1107, 2004.
WK. Wong, M. Xia, WC. Chu. Adaptive neural network model for time-series forecasting. European Journal of Operational Research, 207(2): 807–816, 2010.
GP. Zhang. Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50: 159–175, 2003.
CH. Aladag, E. Egrioglu, C. Kadilar. Forecasting nonlinear time series with a hybrid methodology. Applied Mathematics Letters, 22(9): 1467–1470, 2009.
F-M. Tseng, H-C. Yu, GH. Tzeng. Combining neural network model with seasonal time series ARIMA model. Technological Forecasting and Social Change, 69(1): 71–87, 2002.
L. Yu, S. Wang, KK. Lai. A novel nonlinear ensemble forecasting model incorporating GLAR and ANN for foreign exchange rates. Computers & Operations
Research, 32(10): 2523–2541, 2005.
HF. Zou, GP. Xia, FT. Yang, HY. Wang. An investigation and comparison of artificial neural network and time series models for Chinese food grain price forecasting. Neurocomputing, 70(16-18): 2913–2923, 2007.
M. Khashei, M. Bijari. An artificial neural network (p, d, q) model for time series forecasting. Expert Systems with Applications, 37(1): 479–489, 2010.
M. Khashei, M. Bijari. A novel hybridization of artificial neural networks and ARIMA models for time series forecasting. Applied Soft Computing, 11(2): 2664– 2675, 2011.
N. Kasabov. Foundations of Neural Networks, Fuzzy Systems, and Knowledge Engineering. 2nd edition. Massachusetts Institute of Technology, 1998.
W. Sarle. Neural networks and statistical models. Proceedings of the 19th Annual SAS Users Group Int. Conference, 1538–1550, 1994.
T. Masters. Practical Neural Network Recipes in C++. First edn, Academic Press, Inc, 1993.
T. Masters. Neural, Novel and Hybrid Algorithms for Time Series Prediction. First edn, John Wiley and Sons, Inc., 1995.
GP. Zhang. An investigation of neural networks for linear time-series forecasting. Computers & Operations Research, 28(12): 1183–1202, 2001.
M. Nelson, T. Hill, W. Remus, and M. O’Connor. Time series forecasting using neural networks: should the data be deseasonalized first? Journal of Forecasting, 18: 359–367, 1999.
GP. Zhang, M. Qi. Neural network forecasting for seasonal and trend time series. European Journal of Operational Research, 160(2): 501–514, 2005.
J. Faraway, C. Chatfield. Time series forecasting with neural networks: A comparative study using the airline data. Applied Statistics, 47(2): 231–250, 1998.
R. McCleary, RA. Hay, Jr. Applied time series analysis for the social sciences. Sage Publications, London, 1980.
Descargas
Publicado
Número
Sección
Licencia
Los autores que publican en esta revista están de acuerdo con los siguientes términos:
- Los autores conservan los derechos de autor y garantizan a la revista el derecho de ser la primera publicación del trabajo al igual que licenciado bajo una Creative Commons Attribution License que permite a otros compartir el trabajo con un reconocimiento de la autoría del trabajo y la publicación inicial en esta revista.
- Los autores pueden establecer por separado acuerdos adicionales para la distribución no exclusiva de la versión de la obra publicada en la revista (por ejemplo, situarlo en un repositorio institucional o publicarlo en un libro), con un reconocimiento de su publicación inicial en esta revista.
- Se permite y se anima a los autores a difundir sus trabajos electrónicamente (por ejemplo, en repositorios institucionales o en su propio sitio web) antes y durante el proceso de envío, ya que puede dar lugar a intercambios productivos, así como a una citación más temprana y mayor de los trabajos publicados (Véase The Effect of Open Access) (en inglés).
Plagiarism Detection