Modelos univariados de series temporales

Un modelo de media móvil integrada autorregresiva (ARIMA) es una generalización de un modelo de media móvil autorregresiva (ARMA).

El suavizado exponencial es una técnica práctica para suavizar datos de series temporales mediante la función de ventana exponencial.

Un modelo simple que usa el último valor como predicción para el futuro.

Una red neuronal artificial (ANN) es un modelo que se basa en una colección de unidades o nodos conectados llamados neuronas artificiales, que modelan vagamente las neuronas de un cerebro biológico.

Prophet es un procedimiento para pronosticar datos de series temporales basado en un modelo aditivo en el que las tendencias no lineales se ajustan a la estacionalidad anual, semanal y diaria, además de los efectos de las fiestas. Funciona mejor con series temporales que tienen fuertes efectos estacionales y con datos históricos de varias temporadas. Prophet es muy resistente a la falta de datos y a los cambios de tendencia, y normalmente maneja bien los valores atípicos.

El STL es un método versátil y robusto para descomponer series temporales. STL es el acrónimo de «descomposición estacional y tendencial usando Loess», mientras que Loess es un método para estimar relaciones no lineales.

El TBATS es un modelo de series temporales que es útil para manejar datos con múltiples patrones estacionales. TBATS es el acrónimo de las características clave del modelo: T: estacionalidad trigonométrica B: transformación de Box-Cox A: errores ARIMA T: Tendencia S: componentes estacionales.

El modelo Theta es un método sencillo de previsión que consiste en ajustar dos líneas theta, pronosticar las líneas mediante un simple suavizado exponencial y, a continuación, combinar las previsiones de las dos líneas para producir la previsión final.