Forecast combination using Optimization techniques
Actualmente existen diversas metodologías de pronóstico, que van desde el conocimiento empírico hasta métodos innovadores, individuales o combinados, que demuestran resultados óptimos. Este documento se deriva de un proceso de investigación y presenta alternativas relacionadas con las combinaciones...
- Autores:
-
Valencia-Cárdenas, Marisol
Correa-Morales, Juan Carlos
- Tipo de recurso:
- Book
- Fecha de publicación:
- 2020
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- eng
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/75559
- Acceso en línea:
- https://repositorio.unal.edu.co/handle/unal/75559
- Palabra clave:
- Matemáticas::Probabilidades y matemáticas aplicadas
Búsqueda tabú
Pronostico
Programación evolutiva
Regresión bayesiana
Metaheuristics
Forecast Combination
- Rights
- openAccess
- License
- Atribución-NoComercial-SinDerivadas 4.0 Internacional
| id |
UNACIONAL2_79031000f18b7b4e4dd77d2a22848ca6 |
|---|---|
| oai_identifier_str |
oai:repositorio.unal.edu.co:unal/75559 |
| network_acronym_str |
UNACIONAL2 |
| network_name_str |
Universidad Nacional de Colombia |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Forecast combination using Optimization techniques |
| dc.title.alternative.spa.fl_str_mv |
Forecast Combination |
| title |
Forecast combination using Optimization techniques |
| spellingShingle |
Forecast combination using Optimization techniques Matemáticas::Probabilidades y matemáticas aplicadas Búsqueda tabú Pronostico Programación evolutiva Regresión bayesiana Metaheuristics Forecast Combination |
| title_short |
Forecast combination using Optimization techniques |
| title_full |
Forecast combination using Optimization techniques |
| title_fullStr |
Forecast combination using Optimization techniques |
| title_full_unstemmed |
Forecast combination using Optimization techniques |
| title_sort |
Forecast combination using Optimization techniques |
| dc.creator.fl_str_mv |
Valencia-Cárdenas, Marisol Correa-Morales, Juan Carlos |
| dc.contributor.author.spa.fl_str_mv |
Valencia-Cárdenas, Marisol Correa-Morales, Juan Carlos |
| dc.subject.ddc.spa.fl_str_mv |
Matemáticas::Probabilidades y matemáticas aplicadas |
| topic |
Matemáticas::Probabilidades y matemáticas aplicadas Búsqueda tabú Pronostico Programación evolutiva Regresión bayesiana Metaheuristics Forecast Combination |
| dc.subject.proposal.spa.fl_str_mv |
Búsqueda tabú Pronostico Programación evolutiva Regresión bayesiana |
| dc.subject.proposal.eng.fl_str_mv |
Metaheuristics Forecast Combination |
| description |
Actualmente existen diversas metodologías de pronóstico, que van desde el conocimiento empírico hasta métodos innovadores, individuales o combinados, que demuestran resultados óptimos. Este documento se deriva de un proceso de investigación y presenta alternativas relacionadas con las combinaciones de pronósticos, utilizando metaheurísticas, por ejemplo, mediante la búsqueda tabú y la programación evolutiva para optimizar el pronóstico. El documento presenta pronósticos combinados basados en la programación evolutiva utilizando mezclas de modelos de regresión bayesiana y modelos de regresión lineal clásico, el modelo de media móvil integrado autorregresivo, el suavizado exponencial y la regresión bayesiana. El documento presenta dos artículos derivados de investigación, la primera compara el algoritmo combinado con los resultados individuales de estos modelos individuales y con la combinación de Bates y Granger utilizando un indicador de error y el valor simétrico de error absoluto medio. Esos modelos y la combinación se aplicaron a la simulación de series temporales y a un caso real de ventas de productos lácteos, generando así pronósticos combinados multiproductos tanto para la simulación como para el caso real. La nueva combinación combinada con la metaheurística evolutiva mostró mejores resultados que los de los otros que se utilizaron. La segunda investigación utiliza series de tiempo simuladas, diseñando dos metaheurísticas basadas en la lista Tabú, que aprenden de los datos con base en el comportamiento estadístico de éstos, como el cluster, así como del mismo valor optimizado del error de ajuste, y se comparan las combinaciones de pronósticos con resultados de modelos individuales a tres tipos de series de tiempo. |
| publishDate |
2020 |
| dc.date.accessioned.spa.fl_str_mv |
2020-02-07T13:55:53Z |
| dc.date.available.spa.fl_str_mv |
2020-02-07T13:55:53Z |
| dc.date.issued.spa.fl_str_mv |
2020-01-30 |
| dc.type.spa.fl_str_mv |
Libro |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/book |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_2f33 |
| dc.type.coarversion.spa.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/LIB |
| format |
http://purl.org/coar/resource_type/c_2f33 |
| status_str |
publishedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.unal.edu.co/handle/unal/75559 |
| url |
https://repositorio.unal.edu.co/handle/unal/75559 |
| dc.language.iso.spa.fl_str_mv |
eng |
| language |
eng |
| dc.relation.references.spa.fl_str_mv |
Agarwal, D. K., Silander, J. A., Gelfand, A. E., Dewar, R. E., & Mickelson, J. G. (2005). Tropical deforestation in Madagascar: Analysis using hierarchical, spatially explicit, Bayesian regression models. Ecological Modelling, 185(1), 105–131. http://doi.org/10.1016/j.ecolmodel.2004.11.023 Allahverdi, A., & Al-Anzi, F. S. (2006). Evolutionary heuristics and an algorithm for the two-stage assembly scheduling problem to minimize makespan with setup times. International Journal of Production Research, 44(22), 4713–4735. http://doi.org/10.1080/00207540600621029 Barrow, D. K., & Kourentzes, N. (2016). Distributions of forecasting errors of forecast combinations: Implications for inventory management. International Journal of Production Economics, 177, 24–33. http://doi.org/10.1016/j.ijpe.2016.03.017 Bowerman, B., Koehler, A., & O’Connell, R. (2007). Pronósticos, series de tiempo y regresión: un enfoque aplicado. Mexico, DF:. CENCAGE Learning. Cang, S., & Yu, H. (2014). A combination selection algorithm on forecasting. European Journal of Operational Research, 234(1), 127–139. http://doi.org/10.1016/j.ejor.2013.08.045 Chelouah, R., & Siarry, P. (2005). A hybrid method combining continuous tabu search and Nelder– Mead simplex algorithms for the global optimization of multiminima functions. European Journal of Operational Research, 161(3), 636–654. http://doi.org/10.1016/j.ejor.2003.08.053 Ferragina, A., de los Campos, G., Vazquez, A. I., Cecchinato, A., & Bittante, G. (2015). Bayesian regression models outperform partial least squares methods for predicting milk components and technological properties using infrared spectral data. Journal of Dairy Science, 98(11), 8133–8151. http://doi.org/10.3168/jds.2014-9143 Gill, J. (2007). Bayesian methods: A social and behavioral sciences approach. United States of America: CHapman & Hall. 2nd. Ed Hsiao, C., & Wan, S. K. (2014). Is there an optimal forecast combination? Journal of Econometrics, 178(PART 2), 294–309. http://doi.org/10.1016/j.jeconom.2013.11.003 Kociecki, A., Kolasa, M., & Rubaszek, M. (2012). A Bayesian method of combining judgmental and model-based density forecasts. Economic Modelling, 29, 1349–1355. http://doi.org/10.1016/j.econmod.2012.03.004 Melo, L. F., Loaiza, R. A., & Villamizar-Villegas, M. (2016). Bayesian combination for inflation forecasts: The effects of a prior based on central banks’ estimates. Economic Systems. http://doi.org/10.1016/j.ecosys.2015.11.002 Petris, G., Petrone, S., & Campagnoli, P. (2009). Dynamic Linear Models with R. Retrieved from http://www.springer.com/statistics/statistical+theory+and+methods/book/978-0-387-77237- 0 R-Devleopment-Core-Team. (2014). A Language and Environment for Statistical Computing. Vienna, Austria: R Foundation for Statistical Computing. Retrieved from http://www.rproject.org/ Simchi-Levi, D., Kaminski, P., & Simchi-Levi, E. (2008). Designing and Managing the Supply Chain. (McGraw-Hill, Ed.) (3rd ed.). New York: McGraw-Hill. Wang, J., & Hu, J. (2015). A robust combination approach for short-term wind speed forecasting and analysis - Combination of the ARIMA (Autoregressive Integrated Moving Average), ELM (Extreme Learning Machine), SVM (Support Vector Machine) and LSSVM (Least Square SVM) forecasts usi. Energy, 93, 41–56. http://doi.org/10.1016/j.energy.2015.08.045 Zotteri, G., & Kalchschmidt, M. (2007). A model for selecting the appropriate level of aggregation in forecasting processes. International Journal of Production Economics, 108(1-2), 74–83. http://doi.org/10.1016/j.ijpe.2006.12.030 |
| dc.rights.spa.fl_str_mv |
Derechos reservados - Universidad Nacional de Colombia |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.license.spa.fl_str_mv |
Atribución-NoComercial-SinDerivadas 4.0 Internacional Atribución-NoComercial-SinDerivadas 4.0 Internacional |
| dc.rights.spa.spa.fl_str_mv |
Acceso abierto |
| dc.rights.uri.spa.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Atribución-NoComercial-SinDerivadas 4.0 Internacional Derechos reservados - Universidad Nacional de Colombia Acceso abierto http://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
41 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.sucursal.spa.fl_str_mv |
Universidad Nacional de Colombia - Sede Medellín |
| dc.publisher.department.spa.fl_str_mv |
Escuela de estadística |
| dc.publisher.branch.spa.fl_str_mv |
Universidad Nacional de Colombia - Sede Medellín |
| institution |
Universidad Nacional de Colombia |
| bitstream.url.fl_str_mv |
https://repositorio.unal.edu.co/bitstream/unal/75559/8/license.txt https://repositorio.unal.edu.co/bitstream/unal/75559/9/license_rdf https://repositorio.unal.edu.co/bitstream/unal/75559/7/9789584885074.pdf https://repositorio.unal.edu.co/bitstream/unal/75559/10/9789584885074.pdf.jpg |
| bitstream.checksum.fl_str_mv |
6f3f13b02594d02ad110b3ad534cd5df 4460e5956bc1d1639be9ae6146a50347 0383697e1a8e228fb1b32dc689d1b930 13c0bff9d40e2578e6f735caa4ed58d3 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| repository.mail.fl_str_mv |
repositorio_nal@unal.edu.co |
| _version_ |
1814089262416527360 |
| spelling |
Atribución-NoComercial-SinDerivadas 4.0 InternacionalAtribución-NoComercial-SinDerivadas 4.0 InternacionalDerechos reservados - Universidad Nacional de ColombiaAcceso abiertohttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Valencia-Cárdenas, Marisolc9abcac6-eb47-4d09-be54-e2caed9019c7Correa-Morales, Juan Carlos00769750-1dae-44b0-bb3a-9de7193419732020-02-07T13:55:53Z2020-02-07T13:55:53Z2020-01-30https://repositorio.unal.edu.co/handle/unal/75559Actualmente existen diversas metodologías de pronóstico, que van desde el conocimiento empírico hasta métodos innovadores, individuales o combinados, que demuestran resultados óptimos. Este documento se deriva de un proceso de investigación y presenta alternativas relacionadas con las combinaciones de pronósticos, utilizando metaheurísticas, por ejemplo, mediante la búsqueda tabú y la programación evolutiva para optimizar el pronóstico. El documento presenta pronósticos combinados basados en la programación evolutiva utilizando mezclas de modelos de regresión bayesiana y modelos de regresión lineal clásico, el modelo de media móvil integrado autorregresivo, el suavizado exponencial y la regresión bayesiana. El documento presenta dos artículos derivados de investigación, la primera compara el algoritmo combinado con los resultados individuales de estos modelos individuales y con la combinación de Bates y Granger utilizando un indicador de error y el valor simétrico de error absoluto medio. Esos modelos y la combinación se aplicaron a la simulación de series temporales y a un caso real de ventas de productos lácteos, generando así pronósticos combinados multiproductos tanto para la simulación como para el caso real. La nueva combinación combinada con la metaheurística evolutiva mostró mejores resultados que los de los otros que se utilizaron. La segunda investigación utiliza series de tiempo simuladas, diseñando dos metaheurísticas basadas en la lista Tabú, que aprenden de los datos con base en el comportamiento estadístico de éstos, como el cluster, así como del mismo valor optimizado del error de ajuste, y se comparan las combinaciones de pronósticos con resultados de modelos individuales a tres tipos de series de tiempo.Currently diverse forecasting methodologies exists, going from the empirical knowledge to the innovative methods, individual or combined, demonstrating optimal results. This document is derived from a research process, and presents alternatives related to forecast combinations, using metaheuristics, for example, by using Tabu search and Evolutive programing to optimize forecasting. One of the designed process consists of creating combination forecasts based on evolutionary programming using, first, a mixture of Bayesian regression models and, second, a mixture of the classical linear regression model, the autoregressive integrated moving average model, exponential smoothing and Bayesian regression. The first research compares the novel combined algorithm with the individual results of these individual models and with the Bates and Granger combination using an error indicator and the symmetrical mean absolute error value. Those models and the novel design were applied to time series simulation and to a real case of dairy products sales, thus generating multiproduct combination forecasts for both the simulation and the real case. The novel combination combined with the evolutionary metaheuristic showed better results than those of the others that were used. The second research uses simulated time series and other metaheuristic that learns from the data an statistical behavior.Tecnológico de Antioquia, Universidad Nacional de Colombia.Doctorado41 páginasapplication/pdfengMatemáticas::Probabilidades y matemáticas aplicadasBúsqueda tabúPronosticoProgramación evolutivaRegresión bayesianaMetaheuristicsForecast CombinationForecast combination using Optimization techniquesForecast CombinationLibroinfo:eu-repo/semantics/bookinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_2f33http://purl.org/coar/version/c_970fb48d4fbd8a85Texthttp://purl.org/redcol/resource_type/LIBUniversidad Nacional de Colombia - Sede MedellínEscuela de estadísticaUniversidad Nacional de Colombia - Sede MedellínAgarwal, D. K., Silander, J. A., Gelfand, A. E., Dewar, R. E., & Mickelson, J. G. (2005). Tropical deforestation in Madagascar: Analysis using hierarchical, spatially explicit, Bayesian regression models. Ecological Modelling, 185(1), 105–131. http://doi.org/10.1016/j.ecolmodel.2004.11.023Allahverdi, A., & Al-Anzi, F. S. (2006). Evolutionary heuristics and an algorithm for the two-stage assembly scheduling problem to minimize makespan with setup times. International Journal of Production Research, 44(22), 4713–4735. http://doi.org/10.1080/00207540600621029Barrow, D. K., & Kourentzes, N. (2016). Distributions of forecasting errors of forecast combinations: Implications for inventory management. International Journal of Production Economics, 177, 24–33. http://doi.org/10.1016/j.ijpe.2016.03.017Bowerman, B., Koehler, A., & O’Connell, R. (2007). Pronósticos, series de tiempo y regresión: un enfoque aplicado. Mexico, DF:. CENCAGE Learning.Cang, S., & Yu, H. (2014). A combination selection algorithm on forecasting. European Journal of Operational Research, 234(1), 127–139. http://doi.org/10.1016/j.ejor.2013.08.045Chelouah, R., & Siarry, P. (2005). A hybrid method combining continuous tabu search and Nelder– Mead simplex algorithms for the global optimization of multiminima functions. European Journal of Operational Research, 161(3), 636–654. http://doi.org/10.1016/j.ejor.2003.08.053Ferragina, A., de los Campos, G., Vazquez, A. I., Cecchinato, A., & Bittante, G. (2015). Bayesian regression models outperform partial least squares methods for predicting milk components and technological properties using infrared spectral data. Journal of Dairy Science, 98(11), 8133–8151. http://doi.org/10.3168/jds.2014-9143Gill, J. (2007). Bayesian methods: A social and behavioral sciences approach. United States of America: CHapman & Hall. 2nd. EdHsiao, C., & Wan, S. K. (2014). Is there an optimal forecast combination? Journal of Econometrics, 178(PART 2), 294–309. http://doi.org/10.1016/j.jeconom.2013.11.003Kociecki, A., Kolasa, M., & Rubaszek, M. (2012). A Bayesian method of combining judgmental and model-based density forecasts. Economic Modelling, 29, 1349–1355. http://doi.org/10.1016/j.econmod.2012.03.004Melo, L. F., Loaiza, R. A., & Villamizar-Villegas, M. (2016). Bayesian combination for inflation forecasts: The effects of a prior based on central banks’ estimates. Economic Systems. http://doi.org/10.1016/j.ecosys.2015.11.002Petris, G., Petrone, S., & Campagnoli, P. (2009). Dynamic Linear Models with R. Retrieved from http://www.springer.com/statistics/statistical+theory+and+methods/book/978-0-387-77237- 0R-Devleopment-Core-Team. (2014). A Language and Environment for Statistical Computing. Vienna, Austria: R Foundation for Statistical Computing. Retrieved from http://www.rproject.org/Simchi-Levi, D., Kaminski, P., & Simchi-Levi, E. (2008). Designing and Managing the Supply Chain. (McGraw-Hill, Ed.) (3rd ed.). New York: McGraw-Hill.Wang, J., & Hu, J. (2015). A robust combination approach for short-term wind speed forecasting and analysis - Combination of the ARIMA (Autoregressive Integrated Moving Average), ELM (Extreme Learning Machine), SVM (Support Vector Machine) and LSSVM (Least Square SVM) forecasts usi. Energy, 93, 41–56. http://doi.org/10.1016/j.energy.2015.08.045Zotteri, G., & Kalchschmidt, M. (2007). A model for selecting the appropriate level of aggregation in forecasting processes. International Journal of Production Economics, 108(1-2), 74–83. http://doi.org/10.1016/j.ijpe.2006.12.030LICENSElicense.txtlicense.txttext/plain; charset=utf-83991https://repositorio.unal.edu.co/bitstream/unal/75559/8/license.txt6f3f13b02594d02ad110b3ad534cd5dfMD58CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8805https://repositorio.unal.edu.co/bitstream/unal/75559/9/license_rdf4460e5956bc1d1639be9ae6146a50347MD59ORIGINAL9789584885074.pdf9789584885074.pdfForecast combination using Optimization techniquesapplication/pdf1233610https://repositorio.unal.edu.co/bitstream/unal/75559/7/9789584885074.pdf0383697e1a8e228fb1b32dc689d1b930MD57THUMBNAIL9789584885074.pdf.jpg9789584885074.pdf.jpgGenerated Thumbnailimage/jpeg5660https://repositorio.unal.edu.co/bitstream/unal/75559/10/9789584885074.pdf.jpg13c0bff9d40e2578e6f735caa4ed58d3MD510unal/75559oai:repositorio.unal.edu.co:unal/755592023-02-28 23:07:26.89Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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 |