Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
BI_Modelo Holt Winters para predicciones
Search
Ileana Maricel Barrionuevo
September 19, 2020
Research
0
54
BI_Modelo Holt Winters para predicciones
Paper:
https://drive.google.com/file/d/1zBkVjx1q3r8JDgaeFmIepddJ0vgJaGBJ/view?usp=sharing
Ileana Maricel Barrionuevo
September 19, 2020
Tweet
Share
More Decks by Ileana Maricel Barrionuevo
See All by Ileana Maricel Barrionuevo
Docker: atacar para defender
ile
0
91
CyberSecurity Evolution_Buscando vulnerabilidades en OWASP Top10
ile
0
85
Edutech2020_Zoom: vulnerabilidades de la herramienta y cómo protegerse
ile
0
24
Ekoparty University Talks: A day in the life of a pentester: I'm up to mischief!
ile
0
46
Construyendo APIs seguras - Semana de la Seguridad Labsis 2019.
ile
0
50
AI_Clasificador de perfiles de postulantes
ile
0
16
Other Decks in Research
See All in Research
NeurIPS-23 参加報告 + DPO 解説
akifumi_wachi
4
1.5k
フルリモートワークでのスクラムのスケール
kmorita1111
2
1k
メタ動画データセットによる動作認識の現状と可能性
yuyay
0
200
[Human-AI Decision Making勉強会] 説明の更新はユーザにどのような影響をもたらすか
okoso
1
200
第4回ナレッジグラフ勉強会:ISWC2023論文読み会
kg_wakate
1
210
10-ot-generic-bio.pdf
gpeyre
0
140
Bridging Continuous and Discrete Spaces: Interpretable Sentence Representation Learning via Compositional Operations
rudorudo11
0
160
Refactoring Mining - The key to unlock software evolution
tsantalis
0
270
Equivalence of Geodesics and Importance Weighting from the Perspective of Information Geometry
mkimura
0
140
20240127_熊本から今いちど真面目に都市交通~めざせ「車1割削減、渋滞半減、公共交通2倍」~ 全国路面電車サミット2024宇都宮
trafficbrain
1
670
クロスモーダル表現学習の研究動向: 音声関連を中心として
ryomasumura
3
610
HP (Hitto Point: 筆頭ポイント)
tanichu
0
740
Featured
See All Featured
The Invisible Side of Design
smashingmag
294
49k
ピンチをチャンスに:未来をつくるプロダクトロードマップ #pmconf2020
aki_iinuma
79
43k
GraphQLの誤解/rethinking-graphql
sonatard
55
9.3k
Large-scale JavaScript Application Architecture
addyosmani
504
110k
The Pragmatic Product Professional
lauravandoore
26
5.8k
Making Projects Easy
brettharned
109
5.5k
Design and Strategy: How to Deal with People Who Don’t "Get" Design
morganepeng
117
18k
Practical Orchestrator
shlominoach
183
9.7k
Into the Great Unknown - MozCon
thekraken
14
1k
Six Lessons from altMBA
skipperchong
22
3k
Being A Developer After 40
akosma
66
580k
Imperfection Machines: The Place of Print at Facebook
scottboms
261
12k
Transcript
inteligencia de negocios: data warehouse y data mining MISI -
utn frc Integrantes: Ing. BARRIONUEVO, Ileana Maricel Ing. RUHL, Analía Lorena Ing. ZEA CÁRDENAS, Milagros 1 Docente: Ing. Mario Diván 2019
Determinación del modelo de holt-winter que mejor se adapte a
la serie temporal de ingresos de vehículos en estacionamiento utn-frc CIENCIA DE DATOS 2
agenda 3 • Introducción a series temporales • Problemática •
Modelos Holt-Winter • Proceso realizado • Demo • Conclusiones
1 - series temporales - Series temporales 4 información para
la toma de decisiones. conjunto de datos intervalos de tiempo regulares (diario, semanal, anual,etc) recopilación generación
2 - problemática 5 - El estudio se centra en
el estacionamiento de la UTN-FRC. - Variable analizada Cantidad de ingresos de vehículos - Muestra 2010 - 2019 - Crecimiento de ingresos Mayor oferta académica Movilización en ciertos momentos del año
3 - modelos holt-winter - Buen ajuste al incorporar datos
reales - Tendencia - Estacionalidad 6 • Aditivo • Multiplicativo
4 - proceso realizado • Gestión del flujo de datos
• Limpieza de datos • Análisis de datos 7
análisis de los datos • Estructura básica 8 • Determinación
outliers
9 análisis de los datos • Comportamiento de la variable
a lo largo de los años
10 análisis de los datos • Comportamiento de la variable
a lo largo de los años estadisticas_totales_ts <-ts(estadisticas_totales$Totales, start = c(2011,1),frequency = 4)
11 análisis de los datos • Descomposición de la serie
12 análisis de los datos • Estacionalidad
13 construcción del modelo • Modelo aditivo Ajuste hw_totales <-
HoltWinters(estadisticas_totales_ts ) Pronóstico forecast_totales_completo <- forecast(hw_totales, n = 8)
14 construcción del modelo • Modelo multiplicativo Ajuste hw_totales_mult <-
HoltWinters(estadisticas_totales_ts , seasonal=”mult”) Pronóstico forecast_totales_completo_mult <- forecast(hw_totales_mult,n=8)
15 evaluación de los modelos • Modelo aditivo MAD: 2584.753
• Modelo multiplicativo MAD: 2554.888 mean(abs(forecast_totaless_completo_mult$residuals), na.rm=TRUE) mean(abs(forecast_totales_completo$residuals), na.rm=TRUE)
16 evaluación de modelos Intervalos de confianza • Modelo multiplicativo
• Serie de tiempo
5- conclusiones 17
18
[email protected]
-
[email protected]
[email protected]