Séries Temporais - Modelagem
Introdução
Uma série temporal tem 4 componentes, conforme abaixo -
Level - É o valor médio em torno do qual a série varia.
Trend - É o comportamento crescente ou decrescente de uma variável com o tempo.
Seasonality - É o comportamento cíclico das séries temporais.
Noise - É o erro nas observações adicionadas devido a fatores ambientais.
Técnicas de modelagem de séries temporais
Para capturar esses componentes, existem várias técnicas populares de modelagem de série temporal. Esta seção fornece uma breve introdução de cada técnica, no entanto, discutiremos sobre elas em detalhes nos próximos capítulos -
Métodos ingênuos
Estas são técnicas de estimativa simples, como o valor previsto recebe o valor igual à média dos valores anteriores da variável dependente do tempo ou valor real anterior. Eles são usados para comparação com técnicas de modelagem sofisticadas.
Auto Regressão
A regressão automática prevê os valores de períodos de tempo futuros como uma função dos valores de períodos de tempo anteriores. As previsões de regressão automática podem se ajustar aos dados melhor do que os métodos ingênuos, mas podem não ser capazes de contabilizar a sazonalidade.
Modelo ARIMA
Uma média móvel integrada auto-regressiva modela o valor de uma variável como uma função linear de valores anteriores e erros residuais em etapas de tempo anteriores de uma série de tempo estacionária. No entanto, os dados do mundo real podem ser não estacionários e ter sazonalidade, portanto, Sazonal-ARIMA e Fracional-ARIMA foram desenvolvidos. ARIMA funciona em séries temporais univariadas, para lidar com múltiplas variáveis VARIMA foi introduzido.
Suavização Exponencial
Ele modela o valor de uma variável como uma função linear ponderada exponencial de valores anteriores. Este modelo estatístico também pode lidar com tendências e sazonalidade.
LSTM
O modelo de memória de longo prazo (LSTM) é uma rede neural recorrente que é usada para séries temporais para contabilizar dependências de longo prazo. Ele pode ser treinado com grande quantidade de dados para capturar as tendências em séries temporais multivariadas.
As ditas técnicas de modelagem são usadas para regressão de séries temporais. Nos próximos capítulos, vamos explorar tudo isso um por um.