Análisis de técnicas de clasificación de series temporales en función de sus componentes no observables.

J. R. Trapero Arenas, M. Villegas, C. Montañola Sales, D. J. Pedregal Tercero

Las cadenas de suministros tienen que hacer frente a la planificación de demanda de numerosos productos. Normalmente, dicha planificación se basa en una serie de predicciones de demanda con métodos estadísticos que requieren una baja supervisión por parte de la gerencia. Un ejemplo serían las técnicas asociadas al suavizado exponencial. Para aplicar estos métodos, previamente hay que definir qué componentes no observables tiene la demanda del producto, es decir, si posee tendencia, estacionalidad, o alguna otra característica importante, como promociones o intermitencia. Hasta ahora, la detección de dichas componentes se ha realizado mediante diferentes tests estadísticos. El objetivo de este trabajo es explorar los algoritmos de clasificación procedentes de la disciplina de machine learning para analizar su desempeño con el fin de determinar los diferentes componentes de las series temporales.

Palabras clave: clasificación, forecasting, machine learning, suavizado exponencial, componentes no observables

M08.5 Series Temporales I
6 de septiembre de 2016  15:20
Aula 21.06

C. Pérez López, C. González Vasco

B. Lafuente Rego, J. A. Vilar Fernández, P. D'Urso

D. J. Pedregal Tercero, M. A. Villegas García, J. R. Trapero Arenas