Una guía sencilla paso a paso para empezar a utilizar redes neuronales para la previsión de series temporales
Pronosticar múltiples series temporales puede convertirse rápidamente en una tarea complicada; Los enfoques tradicionales requieren un modelo separado por serie (es decir, SARIMA) o que todas las series estén correlacionadas (es decir, VARMA). Las redes neuronales ofrecen un enfoque flexible que permite realizar pronósticos de series múltiples con un único modelo, independientemente de la correlación de las series.
Además, este enfoque permite incorporar fácilmente variables exógenas y puede pronosticar múltiples pasos de tiempo en el futuro, lo que da como resultado una poderosa solución general que funciona bien en una amplia variedad de casos.
En este artículo, mostraremos cómo realizar las ventanas de datos necesarias para transformar nuestros datos de una serie de tiempo a un formato de aprendizaje supervisado para una serie de tiempo univariada y multivariada. Una vez que nuestros datos se hayan transformado, mostraremos cómo entrenar tanto una red neuronal profunda como un LSTM para realizar pronósticos multivariados.
Examinando nuestros datos
Trabajaremos con un conjunto de datos que captura la temperatura y la humedad medias diarias en Delhi, India, entre 2013 y 2016. Estos datos están disponibles en Kaggle y tienen licencia para su uso según la CC0: Dominio público haciéndolo ideal…