En el modelo de previsión híbrido que utiliza ARIMA y redes neuronales (perceptrón multicapa), las series temporales se procesan primero en ARIMA para un procesamiento lineal. Se obtienen valores de previsión y también valores estadísticos como residuos, diversas medidas de errores.
Mi pregunta es: ¿qué elementos se utilizan para alimentar las redes neuronales, ya que se necesitan al menos dos elementos para la capa de entrada: entrada y "salida deseada"?
De lecturas limitadas sobre el tema, mi entendimiento es que las entradas para la red neuronal serían los residuos de la ARIMA. La idea es que la serie temporal observada es la suma de un componente lineal y otro no lineal. El modelo ARIMA captura el componente lineal de la serie temporal y la RNA puede modelar cualquier componente no lineal restante.
El siguiente artículo lo explica con bastante claridad:
Zhang, G.P. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neuroinformática, 50, 159-175.
Una vez hecho esto, se vuelve a una red neuronal estándar. Para series temporales, una forma de entrenar la red es, para cada tiempo t utilizar $x_{t-1}$ a $x_{t-n}$ (con n definiendo una ventana razonable) como entradas y $x_t$ como salida. A continuación, la red neuronal puede utilizarse para predecir el valor con un período de antelación utilizando n observaciones en el pasado. Varias otras preguntas/respuestas en este sitio proporcionan material relevante:
I-Ciencias es una comunidad de estudiantes y amantes de la ciencia en la que puedes resolver tus problemas y dudas.
Puedes consultar las preguntas de otros usuarios, hacer tus propias preguntas o resolver las de los demás.
