Previsión de datos

Resumen del sector

Qué es la previsión de datos

Sightline tiene experiencia en recopilar, conservar y analizar series temporales de datos para aplicar previsiones de datos.

 

¿Qué son los datos de series temporales?

Los datos de series temporales son una colección de cantidades que se reúnen a lo largo de intervalos uniformes en el tiempo y se ordenan cronológicamente. Las características estadísticas de los datos de series temporales a menudo violan los supuestos de los métodos estadísticos convencionales. Por ello, el análisis de datos de series temporales requiere un conjunto único de herramientas y métodos, conocidos colectivamente como análisis de series temporales.

La previsión es una de las formas de analizar series temporales para averiguar las tendencias futuras de los datos de entrada dados.

Hay dos clases de técnicas populares de previsión de datos

Series temporales univariantes: Sólo una variable varía con el tiempo. Por ejemplo, los datos recogidos de un sensor que mide la velocidad de un motor cada segundo. Por lo tanto, cada segundo, sólo tendrá un valor unidimensional, que es la velocidad.

Series temporales multivariantes: Múltiples variables varían con el tiempo. Por ejemplo, un acelerómetro triaxial. Hay tres aceleraciones, una para cada eje (x,y,z) y varían simultáneamente con el tiempo.

Existen múltiples métodos o fórmulas de previsión en cada técnica. GARCH, SARIMA, etc., son ejemplos de técnicas univariantes. VAR, VECM, etc., son ejemplos de técnicas multivariantes.

Cómo elegir el modelo adecuado de previsión de datos

Aparte de las técnicas univariantes frente a las multivariantes, la estructura (o) el comportamiento de los datos es lo que influye a la hora de elegir el "modelo" o la "fórmula de previsión" adecuados. Algunos de los factores que influyen en el comportamiento de los datos son: la estacionalidad, la tendencia (lineal o no lineal), etc. de los datos.

Por ejemplo, cuando se utilizan datos univariantes, SARIMA con los parámetros adecuados podría ser un buen modelo para utilizar cuando se trata de datos de series temporales con estacionalidad. Si no existe estacionalidad en los datos, ARIMA podría ser un buen enfoque.

SARIMA: Se refiere al ARIMA estacional. series con componente de estacionalidad en ellos que no ha sido manejado de ninguna manera. Aquí tenemos que proporcionar 7 parámetros donde 3 para ARIMA(AR, I, MA) y 3 para ARIMA estacional(Season AR, Season I, Season MA) y uno para la duración de la estacionalidad(12 meses,6 meses según los datos)

ARIMA: Es AutoRegresión Media móvil integrada. Aquí Término integrado se refiere a la diferenciación, es decir, por ejemplo, calcular 5º término con orden 3, sería 4º + (4º-3º)+(3º-2º) términos.

Las capacidades analíticas de Sightline EDM procesan la previsión de datos de series temporales para ayudar a los clientes a identificar las tendencias futuras de los datos de sus máquinas utilizando las técnicas descritas anteriormente. La ventaja de Sightline EDM es que analiza automáticamente los datos para identificar su estacionalidad y aplica métodos de previsión adecuados para identificar tendencias futuras.

Contenido relacionado: