Los modelos de aprendizaje profundo y aprendizaje por transferencia se están utilizando para generar pronósticos de series temporales; sin embargo, existe escasa evidencia sobre su desempeño predictivo principalmente en series mensuales. El propósito de este artículo es comparar modelos de aprendizaje profundo con aprendizaje de transferencia y sin aprendizaje de transferencia y otros métodos tradicionales utilizados para pronósticos mensuales para responder tres preguntas sobre la idoneidad del aprendizaje por transferencia para generar predicciones de series temporales. Se utilizaron series temporales de las competiciones M4 y M3 para los experimentos. Los resultados sugieren que los modelos de aprendizaje profundo basados en tcn, lstm y cnn con aprendizaje por transferencia tienden a superar la predicción de rendimiento de otros métodos tradicionales. Por otro lado, tcn y lstm, entrenados directamente en la serie temporal objetivo, obtuvieron un rendimiento similar o mejor que los métodos tradicionales para algunos horizontes de pronóstico.
Deep learning and transfer learning models are being used to generate time series forecasts; however, there is scarce evidence about their performance prediction mainly for monthly time series. The purpose of this paper is to compare deep learning models with transfer learning and without transfer learning and other traditional methods used for monthly forecasts to answer three questions about the suitability of deep learning and transfer learning to generate predictions of time series. Time series of M4 and M3 competitions were used for the experiments. The results suggest that deep learning models based on tcn, lstm, and cnn with transfer learning tend to surpass the performance prediction of other traditional methods. On the other hand, tcn and lstm, trained directly on the target time series, got similar or better performance than traditional methods for some forecast horizons.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados