Data preprocessing techniques and neural networks for trended time series forecasting

Share

Abstract

La investigación sobre la predicción de series temporales continúa atrayendo una atención considerable, en particular en el uso de redes neuronales artificiales (ANN) debido a su capacidad para modelar comportamientos no lineales. Sin embargo, la predicción de series temporales económicas con tendencias ascendentes pronunciadas plantea dificultades, lo que a menudo produce predicciones con un ajuste deficiente. Este estudio aborda el problema aplicando la diferenciación como paso de preprocesamiento. Se analizaron y predijeron tres series temporales reales que presentan este comportamiento mediante dos modelos de redes neuronales —memoria a largo-corto plazo (LSTM) y perceptrón multicapa (MLP)— con y sin preprocesamiento. Las series diferenciadas se procesaron además mediante técnicas como la descomposición en modos empíricos (EMD) y la descomposición en tendencia y fluctuación mediante la media móvil de la transformada wavelet. Los resultados demuestran que la diferenciación mejora significativamente la precisión de la predicción en todos los modelos probados, reduciendo los errores hasta en un 30 % en comparación con los modelos sin preprocesamiento. Este enfoque mitiga eficazmente las distorsiones relacionadas con la tendencia, dando lugar a predicciones más fiables en series temporales económicas complejas. [Traducción automática al español; idioma original: inglés.]