Funciones de retraso para el pronóstico de series temporales

Un modelo tabular puede pronosticar una serie temporal cuando cada fila de entrenamiento representa un origen de pronóstico y sus características contienen información disponible en ese origen. Las características de retraso son valores desplazados como y_(t-1), y_(t-7) o y_(t-24). Proporcionan historial reciente y repeticiones estacionales como predictores de un objetivo futuro y_t o y_(t+h). Las estadísticas continuas resumen una ventana de valores pasados, mientras que las características del calendario codifican patrones de tiempo conocidos. La alineación es el riesgo central. Para pronosticar y_t en el momento t, las entidades no deben incluir valores y_t o posteriores. Un promedio móvil de siete días debe finalizar en t-1 si el objetivo es y_t. Un error común es calcular una media móvil antes del cambio, que incluye la observación del objetivo. Otra es la división aleatoria de pruebas de entrenamiento, donde las filas futuras pueden entrenar un modelo evaluado en períodos anteriores y donde las ventanas superpuestas comparten información casi idéntica. Considere un pronóstico hipotético de demanda semanal. Las características pueden incluir la demanda de hace una semana, hace cuatro semanas, una media de cuatro semanas, un indicador de días laborables y días festivos planificados. Se debe rastrear la disponibilidad de cada valor: se conocen los calendarios de días festivos, mientras que es posible que no se conozca el tiempo real a menos que se utilice un pronóstico meteorológico. Una característica puede estar históricamente correlacionada pero no estar disponible en el momento de la decisión. Utilice la validación ordenada en el tiempo, como ventanas rodantes o expandidas, con horizontes de pronóstico adaptados al uso. Es posible que se necesite un espacio cuando las etiquetas llegan con retraso o cuando las características abarcan períodos que se superponen a una ventana de prueba. Coloque escaladores e imputadores solo dentro de cada pliegue de entrenamiento. Para el pronóstico de varios pasos, decida si desea pronosticar de forma recursiva utilizando predicciones anteriores, predecir cada horizonte directamente o utilizar una estrategia con covariables conocidas en el futuro. Evalúe con respecto a líneas de base estacionales simples y monitoree cómo cambia el desempeño con el tiempo. El aprendizaje de características de retraso proporciona una predicción no lineal flexible, pero su confiabilidad depende de una sincronización disciplinada de la información y de la estabilidad del proceso de secuencia.