Imagina esto: eres el gerente de un supermercado y te gustaría pronosticar las ventas en las próximas semanas. Te han proporcionado los datos históricos de ventas diarias de cientos de productos. ¿Qué tipo de problema clasificarías esto? Por supuesto, el modelado de series temporales, como ARIMA y suavización exponencial, puede venir a tu mente naturalmente. Con estas herramientas, podrías tomar las ventas de cada producto como series temporales separadas y predecir sus ventas futuras basadas en sus valores históricos.

Después de un minuto, te das cuenta de que las ventas de estos productos no son independientes y hay una cierta dependencia entre ellos. Por ejemplo, durante festivales, la promoción de la carne de barbacoa también impulsará las ventas de ketchup y otras especias. Si una marca de pasta de dientes está en oferta, la demanda de otras marcas podría disminuir. Ejemplos como estos son innumerables. Cuando hay múltiples variables en juego, necesitamos encontrar una herramienta adecuada para manejar tales Series Temporales Multivariables (MTS), que pueda manejar la dependencia entre variables.

En la Biblioteca de Análisis Predictivo SAP HANA (PAL) , y envuelto en el Cliente de Aprendizaje Automático de Python para SAP HANA (hana-ml) , te proporcionamos uno de los métodos más comúnmente utilizados y poderosos para el pronóstico de MTS: VectorARIMA que incluye una serie de algoritmos: VAR, VARX, VMA, VARMA, VARMAX, sVARMAX, sVARMAX.

En esta publicación del blog, aprenderás:

• Introducción de MTS y VectorARIMA.
• Un caso de uso que contiene los pasos para la implementación de VectorARIMA para solidificar tu comprensión del algoritmo.

Esta publicación del blog asume que ya tienes cierta familiaridad con series temporales univariadas y modelado ARIMA (AR, MA, ARIMAX, sARIMA, ...). En hana-ml, también proporcionamos estas herramientas - ARIMA y AutoARIMA y puedes consultar la documentación para obtener más información.

1. Introducción de MTS y VectorARIMA

Una Serie Temporal Multivariada consta de más de una variable dependiente del tiempo y cada variable depende no solo de sus valores pasados, sino también tiene cierta dependencia con otras variables.

Para tratar MTS, uno de los métodos más populares es el modelo de Media Móvil Autorregresiva Vectorial (VARMA), que es una forma vectorial de media móvil autorregresiva integrada (ARIMA) que se puede usar para examinar las relaciones entre varias variables en el análisis de series temporales multivariadas.

En hana-ml, la función de VARMA se llama VectorARIMA que admite una serie de modelos, por ejemplo, VAR puro, VMA puro, VARX (VAR con variables exógenas), sVARMA (VARMA estacional), VARMAX. Al igual que ARIMA, construir un VectorARIMA también requiere seleccionar el orden adecuado de Autorregresivo (AR) p , orden de Media Móvil (MA) q , grado de diferenciación d . Si existe estacionalidad en la serie temporal, también se deben decidir los parámetros relacionados con la estacionalidad, es decir, período estacional s , Orden de AR estacional vectorial P , orden de MA estacional vectorial Q, Grado de diferenciación estacional D .

En VectorARIMA, los órdenes de los modelos VAR/VMA/VARMA se pueden especificar automáticamente. Ten en cuenta que el grado de diferenciación debe ser proporcionado por el usuario y se puede lograr haciendo que todas las series temporales sean estacionarias.

En