Resumen del trabajo fin de master

Las metodologías para abordar los problemas de series temporales han venido evolucionando en los últimos años, motivadas principalmente por las necesidades del mercado de contar con nuevos métodos de inferencia que permitan contar con enfoques alternativos para abordar dichos problemas. Hasta hace unos pocos años, la metodología ARIMA era el enfoque generalizado para este tipo de problemas dada su gran capacidad de afrontar el problema de descomposición de series temporales. Ya en 2017, Facebook publicó Prophet, heredera de la filosofía de ARIMA pero haciendo grandes aportaciones en ciertos aspectos que dificultaban el uso de ARIMA, tales como robustez frente a valores outlier, capacidad de seguir realizando estimaciones en entornos de ausencia de información reciente, o capacidad de reducir impactos en estimaciones de corto plazo ante cambios repentinos (aplicabilidad interesante para detección de anomalías en procesos temporales). Recientemente, Uber ha liberado un nuevo paquete para abordar el problema de series temporales mediante enfoques bayesianos denominado ‘Orbit’. La idea de este proyecto es experimentar y validar las fortalezas y debilidades de este nuevo enfoque de series temporales a través de la herramienta liberada por Uber frente a métodos alternativos.