Prediction of time series using different types of forecasting methods enhanced with a meta-learning approach

Abstract

La selección de un modelo de predicción para una serie temporal con un comportamiento irregular generalmente requiere un humano experto; en muchas ocasiones no es posible tener este experto debido al tiempo o costo. Una máquina inteligente puede seleccionar el modelo de predicción analizando el rendimiento de los modelos, esta estrategia se conoce como meta-aprendizaje, en este trabajo se utilizó redes neuronales del tipo Feed -Forward y árboles de decisión para realizar modelos de meta-aprendizaje. Para realizar esta estrategia es necesario la selección de modelos basados en diferentes principios, de esta manera se provee variabilidad a la lista de métodos. Este trabajo propone el uso de predictores basados en redes neuronales como lo son FFNN y LSTM, además, de la inclusión de ARIMA un método estadístico clásico utilizado en la literatura. Es importante mantener en la lista siempre métodos con un desempeño alto que provean información relevante al aprendizaje. Esto fue posible con el uso de algoritmos genéticos que mejoran modelos de redes neuronales. Los resultados obtenidos demuestran que el uso de un enfoque de meta - aprendizaje, permite reducir el costo computacional sin disminutir el desempeño de la predicción.