Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Series Temporales - Grado en Ciencia de Datos (Universitat de València)
Series Temporales - Grado en Ciencia de Datos (Universitat de València)
La predicción de series temporales mediante el uso de redes neuronales no requiere conocimiento sobre el
proceso que genera las observaciones que constituyen la serie, por lo que se dice que es un método no
paramétrico. Las redes neuronales, nacidas en el campo de la inteligencia artificial, son estructuras de
interconexiones, compuestas por una serie de capas, formadas por neuronas. Las neuronas de la capa de
entrada se encargan únicamente de recibir información del exterior y constituyen la capa más baja. La última
capa actúa como salida de la red, proporcionando en este caso la predicción. Las neuronas de las capas
ocultas (capas intermedias) realizan un procesamiento no lineal de las entradas recibidas. Una explicación de
la arquitectura de una red neuronal la podemos encontrar en el libro Forecasting: Principles and Practice, 2nd
edition, R.J. Hyndman and G. Athanasopoulos, sección 11.3. (https://otexts.com/fpp2/nnetar.html
(https://otexts.com/fpp2/nnetar.html)).
equivalente a un modelo ARIMA(p,0,0), sin restricciones sobre los parámetros que aseguren la
estacionariedad. En el caso de series estacionales, es conveniente utilizar como entrada también
observaciones correspondientes al mismo periodo en ciclos estacionales anteriores. Ajustaríamos entonces
un modelo NNAR(p,P,k)c , donde c es la longitud del ciclo estacional y P hace referencia al número de
observaciones del mismo periodo en ciclos anteriores consideradas (x t−c , x t−2c, … , x t−P c ) .
La función nnetar del paquete forecast de R nos permite ajustar un model NNAR(p,P,k)c . Por defecto, en
el caso de series temporales no estacionales, p es seleccionado de manera automática como el valor de p
que minimiza el criterio AIC al ajustar un modelo lineal AR(p). Para series estacionales, se fija P = 1 y p se
elige de manera similar una vez se ha eliminado la estacionalidad de la serie. El valor de k se fija (por
defecto) igual a (p + P + 1)/2 (redondeado al entero más cercano).
library(readr)
library(forecast)
https://aulavirtual.uv.es/pluginfile.php/2910775/mod_resource/content/1/NAR_model.html 1/8
16/12/22, 9:12 Series Temporales - Grado en Ciencia de Datos (Universitat de València)
Ejemplo 1: Número de usuarios conectados a internet a través de un servidor por minuto. Reservamos las
últimas 5 observaciones para valorar (posteriormente) la capacidad predictiva del modelo.
fit.nar <- nnetar(insample) Dejamos que elija los parámetros por defecto
fit.nar
plot(WWWusage,xlab="Minuto",ylab="Usuarios conectados")
lines(fitval, col="blue")
abline(v=95)
https://aulavirtual.uv.es/pluginfile.php/2910775/mod_resource/content/1/NAR_model.html 2/8
16/12/22, 9:12 Series Temporales - Grado en Ciencia de Datos (Universitat de València)
https://aulavirtual.uv.es/pluginfile.php/2910775/mod_resource/content/1/NAR_model.html 3/8
16/12/22, 9:12 Series Temporales - Grado en Ciencia de Datos (Universitat de València)
## [1] 14.19964
Ejemplo 4: Encuesta de ocupación hotelera. Total nacional de viajeros residentes en España. Reservamos las
observaciones de 2018 para valorar la capacidad predictiva del modelo.
https://aulavirtual.uv.es/pluginfile.php/2910775/mod_resource/content/1/NAR_model.html 4/8
16/12/22, 9:12 Series Temporales - Grado en Ciencia de Datos (Universitat de València)
## Series: insample
## Model: NNAR(3,1,2)[12]
## Call: nnetar(y = insample)
##
## Average of 20 networks, each of which is
## a 4-2-1 network with 13 weights 4 neurona capa entrada, 2 capa intermedia, 1 capa de salida
## options were - linear output units
##
## sigma^2 estimated as 4.765e+10
accuracy(fit.nar)
https://aulavirtual.uv.es/pluginfile.php/2910775/mod_resource/content/1/NAR_model.html 5/8
16/12/22, 9:12 Series Temporales - Grado en Ciencia de Datos (Universitat de València)
## Series: insample
## Model: NNAR(2,2,5)[12]
## Call: nnetar(y = insample, p = 2, P = 2, size = 5)
##
## Average of 20 networks, each of which is
## a 4-5-1 network with 31 weights
## options were - linear output units
##
## sigma^2 estimated as 1.574e+10
accuracy(fit.nar2)
https://aulavirtual.uv.es/pluginfile.php/2910775/mod_resource/content/1/NAR_model.html 6/8
16/12/22, 9:12 Series Temporales - Grado en Ciencia de Datos (Universitat de València)
## [1] 137799.3
https://aulavirtual.uv.es/pluginfile.php/2910775/mod_resource/content/1/NAR_model.html 7/8
16/12/22, 9:12 Series Temporales - Grado en Ciencia de Datos (Universitat de València)
https://aulavirtual.uv.es/pluginfile.php/2910775/mod_resource/content/1/NAR_model.html 8/8