BI_Modelo Holt Winters para predicciones

Paper: https://drive.google.com/file/d/1zBkVjx1q3r8JDgaeFmIepddJ0vgJaGBJ/view?usp=sharing

Transcript

1. 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
2. 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
3. agenda 3 • Introducción a series temporales • Problemática • Modelos Holt-Winter • Proceso realizado • Demo • Conclusiones
4. 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
5. 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
6. 3 - modelos holt-winter - Buen ajuste al incorporar datos reales - Tendencia - Estacionalidad 6 • Aditivo • Multiplicativo
7. 4 - proceso realizado • Gestión del flujo de datos • Limpieza de datos • Análisis de datos 7
8. análisis de los datos • Estructura básica 8 • Determinación outliers
9. 9 análisis de los datos • Comportamiento de la variable a lo largo de los años
10. 10 análisis de los datos • Comportamiento de la variable a lo largo de los años estadisticas_totales_ts <-ts(estadisticas_totales$Totales, start = c(2011,1),frequency = 4)
11. 11 análisis de los datos • Descomposición de la serie
12. 12 análisis de los datos • Estacionalidad
13. 13 construcción del modelo • Modelo aditivo Ajuste hw_totales <- HoltWinters(estadisticas_totales_ts ) Pronóstico forecast_totales_completo <- forecast(hw_totales, n = 8)
14. 14 construcción del modelo • Modelo multiplicativo Ajuste hw_totales_mult <- HoltWinters(estadisticas_totales_ts , seasonal=”mult”) Pronóstico forecast_totales_completo_mult <- forecast(hw_totales_mult,n=8)
15. 15 evaluación de los modelos • Modelo aditivo MAD: 2584.753 • Modelo multiplicativo MAD: 2554.888 mean(abs(forecast_totaless_completo_mult$residuals), na.rm=TRUE) mean(abs(forecast_totales_completo$residuals), na.rm=TRUE)
16. 16 evaluación de modelos Intervalos de confianza • Modelo multiplicativo • Serie de tiempo
17. 5- conclusiones 17
18. 18 ilebarrionuevo@gmail.com - analialorenaruhl@gmail.com milyzc@gmail.com