Modelos univariados de séries temporais

Um modelo de média móvel integrada autorregressiva (ARIMA) é uma generalização de um modelo de média móvel autorregressiva (ARMA).

A suavização exponencial é uma técnica prática para suavizar dados de séries temporais usando a função de janela exponencial.

Um modelo simples usando o último valor como uma previsão para o futuro.

Uma rede neural artificial (ANN) é um modelo baseado em uma coleção de unidades ou nós conectados chamados neurônios artificiais, que modelam vagamente os neurônios em um cérebro biológico.

Prophet é um procedimento para prever dados de séries temporais com base em um modelo aditivo em que as tendências não lineares se ajustam à sazonalidade anual, semanal e diária, além dos efeitos do feriado. Funciona melhor com séries temporais que têm fortes efeitos sazonais e várias temporadas de dados históricos. O Prophet é robusto à falta de dados e às mudanças na tendência, e normalmente lida bem com valores discrepantes.

O STL é um método versátil e robusto para decompor séries temporais. STL é um acrônimo para “Decomposição sazonal e de tendências usando Loess”, enquanto Loess é um método para estimar relações não lineares.

O TBATS é um modelo de série temporal útil para lidar com dados com vários padrões sazonais. TBATS é um acrônimo para as principais características do modelo: T: Sazonalidade trigonométrica B: Transformação de Box-Cox A: Erros ARIMA T: Tendência S: Componentes sazonais.

O modelo Theta é um método simples de previsão que envolve o ajuste de duas linhas teta, a previsão das linhas usando uma suavização exponencial simples e, em seguida, a combinação das previsões das duas linhas para produzir a previsão final.