MODELO NO PARAMÉTRICO FUNCIONAL PREDICTIVO EN SERIES DE TIEMPO FUNCIONALES. APLICACIÓN EN VARIABLES METEOROLÓGICAS.

Antonio Meneses; Lourdes Zúñiga; José Muñoz; Jorge Lara; Washington Acurio

doi:10.47187/perf.v1i28.186

Autores/as

Antonio Meneses Universidad Nacional de Chimborazo, Facultad de Ingeniería, Carrera de Ingeniería en Telecomunicaciones, Riobamba, Ecuador.
Lourdes Zúñiga Escuela Superior Politécnica de Chimborazo
José Muñoz Escuela Superior Politécnica de Chimborazo
Jorge Lara Escuela Superior Politécnica de Chimborazo
Washington Acurio Autor Independiente, Ecuador.

DOI:

https://doi.org/10.47187/perf.v1i28.186

Palabras clave:

Modelo no paramétrico funcional, series de tiempo funcionales, variables meteorológicas, velocidad del viento

Resumen

La investigación parte del estudio del modelo funcional no paramétrico para series de tiempo funcionales. El objetivo es establecer predicciones de series de tiempo funcionales que se forman con la muestra de las velocidades promedio del viento en cada hora de los meses de enero a diciembre del año 2019. La muestra fue tomada de la estación meteorológica de la Escuela Superior Politécnica de Chimborazo ubicada en la Parroquia San Juan a una altura de 4350 msnm en el kilómetro 30 de la vía Calpi - Guaranda en la provincia de Chimborazo - Ecuador. Se utilizó el package fda,usc del software R para la aplicación de las series de tiempo funcionales en el modelo antes mencionado, luego con este modelo se obtuvieron los ajustes, el ancho de ventana óptimo propio de un modelo no paramétrico, las predicciones de la serie temporal de 24 valores correspondientes a cada hora del intervalo de 0:00 a 23:00 horas, muy próxima a la serie de velocidades del viento del mes de diciembre tomado como mes testigo. Esto da la pauta para testificar que el modelo ajustado en esta investigación es significativamente confiable, y abre el camino para realizar futuras aplicaciones en otras variables meteorológicas.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Aneiros-Pérez G, Cao R, Vilar-Fernández JM. Functional methods for time series prediction: a nonparametric approach. J Forecast [Internet]. 2011;30(4):377–92. Available from: https://www.eco.uc3m.es/temp/Cao%202.pdf

Aneiros G, Vilar JM, Cao R, Munoz San Roque A. Functional prediction for the residual demand in electricity spot markets. IEEE Trans Power Syst [Internet]. 2013 [cited 2022 Dec 12];28(4):4201–8. Available from: https://www.iit.comillas.edu/docs/IIT-13-164A-Preview.pdf

Aneiros-Pérez G, Cardot H, Estévez-Pérez G, Vieu P. Maximum ozone concentration forecasting by functional non-parametric approaches: MAXIMUM OZONE CONCENTRATION FORECASTING. Environmetrics [Internet]. 2004;15(7):675–85. Available from: http://dx.doi.org/10.1002/env.659

Berlinet, A. and Levallois, S. Higher order analysis at Lebesgue points. In: Puri, M. (Ed.), Asymptotics in Statistics and Probability, 2001. VSP

Beyaztas U, Shang HL. On function-on-function regression: Partial least squares approach [Internet]. arXiv [stat.ME]. 2019 [cited 2022 Dec 12]. Available from: https://pubag.nal.usda.gov/catalog/6848647

De Boor C. A practical guide to splines. 1st ed. New York, NY: Springer; 2001.

Bosq D. Nonparametric statistics for stochastic processes: Estimation and prediction [Internet]. 2nd ed. New York, NY: Springer; 1998. Available from: https://books.google.at/books?id=tZDqBwAAQBAJ

Bosq D. Linear processes in function spaces: Theory and applications. New York, NY: Springer; 2000.

Cuevas A, Febrero M, Fraiman R. Linear functional regression: The case of fixed design and functional response. Can J Stat [Internet]. 2002;30(2):285–300. Available from: http://dx.doi.org/10.2307/3315952

Damon J, Guillas S. Estimation and simulation of autoregressive hilbertian processes with exogenous variables. Stat Inference Stoch Process [Internet]. 2005;8(2):185–204. Available from: http://dx.doi.org/10.1007/s11203-004-1031-6

Damon J, Guillas S. The inclusion of exogenous variables in functional autoregressive ozone forecasting. Environmetrics [Internet]. 2002;13(7):759–74. Available from: http://dx.doi.org/10.1002/env.527

Febrero-Bande M, de la Fuente MO. Statistical Computing in Functional Data Analysis: The R Package fda.Usc. J Stat Softw [Internet]. 2012 [cited 2022 Dec 12];51(4). Available from: https://www.academia.edu/22388623/Statistical_Computing_in_Functional_Data_Analysis_The_R_Package_fda_usc

Febrero-Bande M, Galeano P, González-Manteiga W. Functional principal component regression and functional partial least-squares regression: An overview and a comparative study. Int Stat Rev [Internet]. 2017;85(1):61–83. Available from: http://dx.doi.org/10.1111/insr.12116

Ferraty, F. Estimation non-paramétrique et discrimination de courbes. Proceedings of SFC 2001 Conference, Guadeloupe, 2001;17–21.

Ferraty F, Goia A, Vieu P. Functional nonparametric model for time series: a fractal approach for dimension reduction. Test (Madr) [Internet]. 2002;11(2):317–44. Available from: http://dx.doi.org/10.1007/bf02595710

Ferraty F, Vieu P. The functional nonparametric model and application to spectrometric data. Comput Stat [Internet]. 2002;17(4):545–64. Available from: http://dx.doi.org/10.1007/s001800200126

Ferraty F, Vieu P. Curves discrimination: a nonparametric functional approach. Comput Stat Data Anal [Internet]. 2003;44(1–2):161–73. Available from: https://www.sciencedirect.com/science/article/pii/S016794730300032X

Ferraty F, Mas A, Vieu P. Nonparametric regression on functional data: inference and practical aspects. Aust. N.Z.J. Stat. 2007; 49:267-286. Available from: https://onlinelibrary.wiley.com/doi/abs/10.1111/j.1467-842X.2007.00480.x

Ferraty F, Van Keilegom I, Vieu P. On the Validity of the Bootstrap in Non-Parametric Functional Regression: Bootstrap in functional regression. Scand Stat Theory Appl [Internet]. 2009;37(2):286–306. Available from: http://dx.doi.org/10.1111/j.1467-9469.2009.00662.x

Ferraty F, Vieu P. Nonparametric Functional Data Analysis. (2006). Springer.

Horváth L, Kokoszka P. Inference for functional data with applications [Internet]. 2012th ed. New York, NY: Springer; 2012. Available from: https://books.google.at/books?id=OVezLB__ZpYC

Peña D. Análisis de series temporales [Internet]. Alianzaeditorial.es. [cited 2022 Dec 12]. Available from: https://www.alianzaeditorial.es/libro/manuales/analisis-de-series-temporales-daniel-pena-9788420669458/

Portela González J. Functional time series forecasting in electricity markets : a novel parametric approach. 2017.

Silverman BW, Ramsay JO. Applied functional data analysis: Methods and case studies. 2002 [cited 2022 Dec 12]; Available from: https://research-information.bris.ac.uk/en/publications/applied-functional-data-analysis-methods-and-case-studies

Ramsay, J.o. and Silverman, B.w. (2005) Functional Data Analysis. Springer, New York. - references - scientific research publishing [Internet]. Scirp.org. [cited 2022 Dec 12]. Available from: https://www.scirp.org/(S(lz5mqp453edsnp55rrgjct55))/reference/referencespapers.aspx?referenceid=2016706

M. G. schimek, “Smoothing and Regression Approaches, Computation, and Application,” Wiley Series in Probability and Statistics Applied Probability and Statistics Section, Wiley, New York, 2000. - references - scientific research publishing [Internet]. Scirp.org. [cited 2022 Dec 12]. Available from: https://www.scirp.org/(S(czeh2tfqw2orz553k1w0r45))/reference/referencespapers.aspx?referenceid=1047228