Publicación:
Estructuras híbridas para el modelado y pronóstico de series temporales: metodologías y aplicaciones.

Vista sencilla de ítem
dc.contributor.advisorCogollo Flórez, Myladisspa
dc.contributor.authorBallesteros López, Fabianaspa
dc.date.accessioned2023-02-22T15:04:27Z
dc.date.available2023-02-22T15:04:27Z
dc.date.issued2023-02-21
dc.description.abstractLas estructuras híbridas han demostrado ser una buena alternativa para modelar y pronosticar algunas series temporales, en las cuales los modelos tradicionales no presentan un buen desempeño. En este trabajo se realiza una revisión bibliográfica de los estudios reportados en la literatura en el periodo 2000-2018, sobre las tres metodologías híbridas existentes: paralelo, serie, serie-paralelo. A partir de los resultados hallados, se establece la base conceptual de cada metodología, bajo un procedimiento estadístico matemático, y sus respectivos casos de aplicación. Adicionalmente, empleando datos reales se muestra la ganancia en términos de precisión del pronóstico que se obtiene con éstas metodologías, con respecto a los modelos tradicionales.spa
dc.description.degreelevelPregradospa
dc.description.degreenameEstadístico(a)spa
dc.description.modalityMonografíasspa
dc.description.tableofcontentsResumen Ispa
dc.description.tableofcontentsAgradecimientos IIIspa
dc.description.tableofcontentsIntroducción 1spa
dc.description.tableofcontents1. Revisión de la literatura 4spa
dc.description.tableofcontents1.1. Etapa 1: proceso de búsqueda . . . . . . . . . . . . . . . . . . . . . . . . . . . 5spa
dc.description.tableofcontents1.2. Etapa 2: criterios de inclusión y exclusión . . . . . . . . . . . . . . . . . . . . 5spa
dc.description.tableofcontents1.3. Etapa 3: resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6spa
dc.description.tableofcontents1.3.1. Resultados del proceso de la búsqueda . . . . . . . . . . . . . . . . . 6spa
dc.description.tableofcontents1.3.2. Análisis de los artículos seleccionados . . . . . . . . . . . . . . . . . . 7spa
dc.description.tableofcontents2. Estructura híbrida en paralelo 10spa
dc.description.tableofcontents2.1. Formulación matemática . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10spa
dc.description.tableofcontents2.2. Métodos de ponderación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13spa
dc.description.tableofcontents2.2.1. Enfoques de ponderación estáticos . . . . . . . . . . . . . . . . . . . . 13spa
dc.description.tableofcontents2.2.2. Enfoques de ponderación dinámicos . . . . . . . . . . . . . . . . . . . 16spa
dc.description.tableofcontents2.3. Aplicaciones reales reportadas en la literatura . . . . . . . . . . . . . . . . . . 19spa
dc.description.tableofcontents3. Estructura híbrida en serie 24spa
dc.description.tableofcontents3.1. Formulación matemática . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24spa
dc.description.tableofcontents3.2. Aplicaciones reales reportadas en la literatura . . . . . . . . . . . . . . . . . . 27spa
dc.description.tableofcontents4. Estructura híbrida en serie-paralelo 32spa
dc.description.tableofcontents4.1. Formulación matemática . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32spa
dc.description.tableofcontents4.2. Aplicaciones reales reportadas en la literatura . . . . . . . . . . . . . . . . . . 34spa
dc.description.tableofcontents5. Aplicación de las metodologías híbridas 36spa
dc.description.tableofcontents5.1. Metodología híbrida en paralelo . . . . . . . . . . . . . . . . . . . . . . . . . 37spa
dc.description.tableofcontents5.2. Metodología híbrida en serie . . . . . . . . . . . . . . . . . . . . . . . . . . . 46spa
dc.description.tableofcontents5.2.1. Secuencia lineal-no lineal . . . . . . . . . . . . . . . . . . . . . . . . . 46spa
dc.description.tableofcontents5.2.2. Secuencia no lineal-lineal . . . . . . . . . . . . . . . . . . . . . . . . . 47spa
dc.description.tableofcontentsConclusiones 50spa
dc.description.tableofcontentsBibliografía 53spa
dc.description.tableofcontentsApéndice 60spa
dc.description.tableofcontentsA.1. Análisis de series temporales . . . . . . . . . . . . . . . . . . . . . . . . . . . 60spa
dc.description.tableofcontentsB.2. Metodología de Box-Jenkins . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62spa
dc.description.tableofcontentsB.2.1. Modelo Autoregresivo (AR) de orden p . . . . . . . . . . . . . . . . . 63spa
dc.description.tableofcontentsB.2.2. Modelo de Medias Móviles (MA) de orden q . . . . . . . . . . . . . . 64spa
dc.description.tableofcontentsB.2.3. Modelos Autorregresivos de Medias Móviles ARMA (p,q) . . . . . . 66spa
dc.description.tableofcontentsB.2.4. Modelo Autorregresivo Integrado de Medias Móviles ARIMA de orden (p,d,q) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67spa
dc.description.tableofcontentsB.2.5. Modelo SARIMA (p, d, q)(P, D,Q)S . . . . . . . . . . . . . . . . . . . 68spa
dc.description.tableofcontentsC.3. Modelo Perceptrón Multicapa (MLP) . . . . . . . . . . . . . . . . . . . . . . . 68spa
dc.description.tableofcontentsD.4. Regresión automática de redes neuronales . . . . . . . . . . . . . . . . . . . . 70spa
dc.description.tableofcontentsE.5. Validación cruzada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71spa
dc.description.tableofcontentsF.6. Métricas de desempeño . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72spa
dc.description.tableofcontentsG.7. Código R para las aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . 73spa
dc.format.mimetypeapplication/pdfspa
dc.identifier.urihttps://repositorio.unicordoba.edu.co/handle/ucordoba/7179
dc.language.isospaspa
dc.publisher.facultyFacultad de Ciencias Básicasspa
dc.publisher.placeMontería, Córdoba, Colombiaspa
dc.publisher.programEstadísticaspa
dc.rightsCopyright Universidad de Córdoba, 2023spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)spa
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/spa
dc.subject.keywordsHybrid structureseng
dc.subject.keywordsIn time serieseng
dc.subject.keywordsForecastingeng
dc.subject.proposalEstructuras híbridasspa
dc.subject.proposalPronósticospa
dc.subject.proposalSeries temporalesspa
dc.titleEstructuras híbridas para el modelado y pronóstico de series temporales: metodologías y aplicaciones.spa
dc.typeTrabajo de grado - Pregradospa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1fspa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/bachelorThesisspa
dc.type.versioninfo:eu-repo/semantics/submittedVersionspa
dcterms.referencesAdhikari, R., y Verma, G. (2016). Time series forecasting through a dynamic weighted ensemble approach. En Proceedings of 3rd international conference on advanced computing, networking and informatics (pp. 455–465).spa
dcterms.referencesAhmadi, M., y Khashei, M. (2021). Current status of hybrid structures in wind forecasting. Engineering applications of artificial intelligence, 99, 104133.spa
dcterms.referencesAhmed, D. M., Hassan, M. M., y Mstafa, R. J. (2022). A review on deep sequential models for forecasting time series data. Applied Computational Intelligence and Soft Computing, 2022.spa
dcterms.referencesAyala Castrejón, R. F., y Bucio Pacheco, C. (2020). Modelo ARIMA aplicado al tipo de cambio peso-dólar en el periodo 2016-2017 mediante ventanas temporales deslizantes. Revista mexicana de economía y finanzas, 15(3), 331–354.spa
dcterms.referencesBanerjee, A., Chakrabarty, M., Bandyopadhyay, G., Roy, P. K., y Ray, S. (2020). Forecasting environmental factors and zooplankton of bakreswar reservoir in india using time series model. Ecological Informatics, 60, 101157.spa
dcterms.referencesBates, J. M., y Granger, C.W. (1969). The combination of forecasts. Journal of the operational research society, 20(4), 451–468.spa
dcterms.referencesBorghi, P. H., Zakordonets, O., y Teixeira, J. P. (2021). A COVID-19 time series forecasting model based on MLP ANN. Procedia Computer Science, 181, 940–947.spa
dcterms.referencesBox, G. E., y Cox, D. R. (1964). An analysis of transformations. Journal of the Royal Statistical Society: Series B (Methodological), 26(2), 211–243.spa
dcterms.referencesBox, G. E., y Jenkins, G. M. (1976). Time series analysis: forecasting and control, Prentince Hall. Englewood Cliffs.spa
dcterms.referencesCerqueira, V., Torgo, L., y Mozetiˇc, I. (2020). Evaluating time series forecasting models: An empirical study on performance estimation methods. Machine Learning, 109, 1997– 2028.spa
dcterms.referencesChakraborty, T., Chattopadhyay, S., y Ghosh, I. (2019). Forecasting dengue epidemics using a hybrid methodology. Physica A: Statistical Mechanics and its Applications, 527, 121266.spa
dcterms.referencesChen, W., Xu, H., Chen, Z., y Jiang, M. (2021). A novel method for time series prediction based on error decomposition and nonlinear combination of forecasters. Neurocomputing, 426, 85–103.spa
dcterms.referencesDasGupta, A. (2008). The trimmed mean. En Asymptotic theory of statistics and probability (pp. 271–278).spa
dcterms.referencesDe Oliveira, J. F. L., Pacífico, L. D. S., de Mattos Neto, P. S. G., Barreiros, E. F. S., de Oliveira Rodrigues, C. M., y de Almeida Filho, A. T. (2020). A hybrid optimized error correction system for time series forecasting. Applied soft computing, 87, 105970.spa
dcterms.referencesDos Santos, R. d. O. V., y Vellasco, M. M. (2015). Neural expert weighting: A new framework for dynamic forecast combination. Expert Systems with Applications, 42(22), 8625–8636.spa
dcterms.referencesGonzález Casimiro, M. P. (2009). Análisis de series temporales: Modelos ARIMA [consultado el 19 de mayo de 2022]. Descargado de https://addi.ehu.es/bitstream/handle/ 10810/12492/04-09gon.pdf?sequence=1&isAllowed=yspa
dcterms.referencesHajirahimi, Z., y Khashei, M. (2019a). Hybrid structures in time series modeling and forecasting: A review. Engineering Applications of Artificial Intelligence, 86, 83–106.spa
dcterms.referencesHajirahimi, Z., y Khashei, M. (2019b). Weighted sequential hybrid approaches for time series forecasting. Physica A: Statistical Mechanics and its Applications, 531, 121717.spa
dcterms.referencesHajirahimi, Z., y Khashei, M. (2020). Sequence in hybridization of statistical and intelligent models in time series forecasting. Neural Processing Letters, 1–21.spa
dcterms.referencesHajirahimi, Z., y Khashei, M. (2021). Parallel hybridization of series (PHOS) models for time series forecasting. Soft Computing, 25(1), 659–672.spa
dcterms.referencesHajirahimi, Z., y Khashei, M. (2022a). Hybridization of hybrid structures for time series forecasting: a review. Artificial Intelligence Review, 1–61.spa
dcterms.referencesHajirahimi, Z., y Khashei, M. (2022b). A novel parallel hybrid model based on series hybrid models of ARIMA and ANN models. Neural Processing Letters, 1–19.spa
dcterms.referencesHajirahimi, Z., y Khashei, M. (2022c). Series hybridization of parallel (SHOP) models for time series forecasting. Physica A: Statistical Mechanics and its Applications, 596, 127173.spa
dcterms.referencesHajirahimi, Z., Khashei, M., y Etemadi, S. (2022). A novel class of reliability-based parallel hybridization (RPH) models for time series forecasting. Chaos, Solitons & Fractals, 156, 111880.spa
dcterms.referencesHan, Y., Wang, L., Gao, J., Xing, Z., y Tao, T. (2017). Combination forecasting based on svm and neural network for urban rail vehicle spare parts demand. En 2017 36th chinese control conference (ccc) (pp. 4660–4665).spa
dcterms.referencesHibon, M., y Evgeniou, T. (2005). To combine or not to combine: selecting among forecasts and their combinations. International journal of forecasting, 21(1), 15–24.spa
dcterms.referencesHyndman, R. J., y Athanasopoulos, G. (2018). Forecasting: principles and practice. OTexts. Descargado de https://otexts.com/fpp2/spa
dcterms.referencesHyndman, R. J., Athanasopoulos, G., Bergmeir, C., Caceres, G., Chhay, L., O’Hara-Wild, M., . . . Wang, E. (2020). Package ‘forecast’. Online] https://cran. r-project. org/web/packages/ forecast/forecast. pdf .spa
dcterms.referencesJose, V. R. R., yWinkler, R. L. (2008). Simple robust averages of forecasts: Some empirical results. International journal of forecasting, 24(1), 163–169.spa
dcterms.referencesKajitani, Y., Hipel, K. W., y McLeod, A. I. (2005). Forecasting nonlinear time series with feed-forward neural networks: a case study of canadian lynx data. Journal of Forecasting, 24(2), 105–117.spa
dcterms.referencesKhashei, M., y Chahkoutahi, F. (2021). A comprehensive low-risk and cost parallel hybrid method for electricity load forecasting. Computers & Industrial Engineering, 155, 107182.spa
dcterms.referencesMarroquín Martínez, G., y Chalita Tovar, L. E. (2011). Aplicación de la metodología Box- Jenkins para pronóstico de precios en jitomate. Revista mexicana de ciencias agrícolas, 2(4), 573–577.spa
dcterms.referencesPunyapornwithaya, V., Jampachaisri, K., Klaharn, K., y Sansamur, C. (2021). Forecasting of milk production in northern thailand using Seasonal Autoregressive Integrated Moving Average, error trend seasonality, and hybrid models. Frontiers in veterinary science, 8.spa
dcterms.referencesPérez Ruiz, D. A. (2009). Mapeo de series de tiempo en fractales [título profesional, universidad nacional autónoma de méxico]. Repositorio de Tesis DGBSDI. Descargado de http://132.248.9.195/ptd2009/octubre/0649704/Index.htmlspa
dcterms.referencesQin, Q., Huang, Z., Zhou, Z., Chen, Y., y Zhao, W. (2022). Hodrick-Prescott filter-based hybrid ARIMA–SLFNs model with residual decomposition scheme for carbon price forecasting. Applied Soft Computing, 119, 108560.spa
dcterms.referencesRibeiro, L. S., Wilhelm, V. E., Faria, É. F., Correa, J. M., y dos Santos, A. C. P. (2019). A comparative analysis of long-term concrete deformation models of a buttress dam. Engineering Structures, 193, 301–307.spa
dcterms.referencesSafari, A., y Davallou, M. (2018). Oil price forecasting using a hybrid model. Energy, 148, 49–58.spa
dcterms.referencesSahai, A. K., Rath, N., Sood, V., y Singh, M. P. (2020). ARIMA modelling & forecasting of COVID-19 in top five affected countries. Diabetes & Metabolic Syndrome: Clinical Research & Reviews, 14(5), 1419–1427.spa
dcterms.referencesSerin, F., Alisan, Y., y Kece, A. (2021). Hybrid time series forecasting methods for travel time prediction. Physica A: Statistical Mechanics and its Applications, 579, 126134.spa
dcterms.referencesShetty, D. K., y Ismail, B. (2021). Forecasting stock prices using hybrid non-stationary time series model with ERNN. Communications in Statistics-Simulation and Computation, 1–13.spa
dcterms.referencesSubbanna, Y. B., Kumar, S., y Puttaraju, S. K. M. (2021). Forecasting buffalo milk production in india: Time series approach. Buffalo Bulletin, 40(2), 335–343.spa
dcterms.referencesWang, H., Huang, J., Zhou, H., Zhao, L., y Yuan, Y. (2019). An integrated variational mode decomposition and arima model to forecast air temperature. Sustainability, 11(15), 4018.spa
dcterms.referencesWang, J., Hu, J., Ma, K., y Zhang, Y. (2015). A self-adaptive hybrid approach for wind speed forecasting. Renewable Energy, 78, 374–385.spa
dcterms.referencesXuan, W., Shouxiang, W., Qianyu, Z., Shaomin, W., y Liwei, F. (2021). A multi-energy load prediction model based on deep multi-task learning and ensemble approach for regional integrated energy systems. International Journal of Electrical Power & Energy Systems, 126, 106583.spa
dcterms.referencesYang, M., y Meng, L. (2019). Short-term photovoltaic power dynamic weighted combination forecasting based on least squares method. IEEJ Transactions on Electrical and Electronic Engineering, 14(12), 1739–1746.spa
dcterms.referencesYucesan, M., Pekel, E., Celik, E., Gul, M., y Serin, F. (2021). Forecasting daily natural gas consumption with regression, time series and machine learning based methods. Energy Sources, Part A: Recovery, Utilization, and Environmental Effects, 1–16.spa
dcterms.referencesZeng, D., Xu, J., Gu, J., Liu, L., y Xu, G. (2008). Short term traffic flow prediction using hybrid arima and ann models. En 2008 workshop on power electronics and intelligent transportation system (pp. 621–625).spa
dcterms.referencesZhang, G. P. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, 159–175.spa
dspace.entity.typePublication
oaire.accessrightshttp://purl.org/coar/access_right/c_abf2spa
oaire.versionhttp://purl.org/coar/version/c_ab4af688f83e57aaspa
Archivos
Bloque original
Mostrando 1 - 2 de 2
Miniatura
Nombre:
Ballesteros López, Fabiana.pdf
Tamaño:
753.48 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
No hay miniatura disponible
Nombre:
Autorización Publicación.pdf
Tamaño:
1.09 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
14.48 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Colecciones
B.F.B. Monografías