Imputación por intervalos basada en pronóstico y detección de cambios abruptos en el modelamiento de series temporales faltantes y su aplicación

Abstract

La presente investigación tiene como objetivo analizar la imputación por intervalos basada en pronósticos y detectar cambios abruptos para el modelamiento de una serie temporal faltante. Para ello, se integran diversos métodos y modelos de series temporales, incluyendo los enfoques clásicos de metodología box-jenkins (ARMA, ARIMA y SARIMA), modelos robustos (holt-winters, STL(Seasonal-Trend decomposition using Loess)) y TBATS(Trigonometric, Box-Cox,ARMA,Trend, Seasonal), el modelo de pronóstico prophet fue aplicado para la imputación, y la técnicas de detección de cambios abruptos ”Interval Forecast Imputation”(IFI). Como resultado, el autor propone la metodología maqy-ts, la cual integra dos etapas: etapa 1 imputación y detección de cambios abruptos y la etapa 2 modelamiento. Esta metodología es formalizada mediante un algoritmo que permite la detección de datos faltantes, imputación, detección de cambios abruptos, reconstrucción de la serie con datos faltantes hasta la selección del modelo óptimo que mejor se ajusta a la serie. El análisis y procesamiento de los datos se realizó con el software r. Asimismo, se identificaron y analizaron series temporales reales en las cuales se aplicó la metodología. Los resultados en las series número de visitantes a la ciudad inka de Machu Picchu (2002–2025) y número pasajeros internacionales en el aeropuerto internacional Velasco Astete (2004-2025), entre todos los modelos analizados, el tbats fue el que se adaptó mejor y tuvo la capacidad de predecir más alta. Además, se ratifica la adecuación y robustez de la metodología, que se basa en un enfoque adaptativo e integral.