Algorithm development for automatic selection of optimal time series model, with the scope of implementation of this algorithm in enterprise analytics platforms

Abstract

Η πρόβλεψη των χρονοσειρών είναι πολύ σημαντική σε πολλά πεδία. Με την πάροδο του χρόνου, όπου περισσότερη πληροφορία είναι διαθέσιμη, υπάρχει η ανάγκη της διαχείρισης των χρονοσειρών με σκοπό την καλύτερη λήψη αποφάσεων. Στις επιχειρήσεις, είναι σημαντική η αποτελεσματική λήψη αποφάσεων, εξ αιτίας των οικονομικών οφελών τους. Έτσι, ο σκοπός της έρευνας είναι να παρουσιάσει έναν αλγορίθμο για αυτοματοποιημένη επιλογή του βέλτιστου μοντέλου χρονοσειρών, με απώτερο στόχο την ένταξη του αλγορίθμου σε Enterprise Analytics Platforms. Ο αλγόριθμος περιλαμβάνει έντεκα διαφορετικά μοντέλα πρόβλεψης χρονοσειρών των οικογενειών ARIMA, GARCH, Exponential smoothing και μερικά στατιστικά τεστ, όπως stationarity Augmented Dickey – Fuller τεστ, Spearman rank correlation and Durbin – Watson τεστ. Το μέτρο που χρησιμοποιείται για να βρεθεί το βέλτιστο μοντέλο, είναι το κριτήριο MAPE, το οποίο βασίζεται στον συνδυασμό των ενός δοκιμαστικό και ενός τεστ σύνολο δεδομένων. Τα συγκεκριμένα δεδομένα είναι μηνιαία, και αφορούν αγορές συγκεκριμένων φαρμάκων από συγκεκριμένους αγοραστές. Τα αποτελέσματα ήταν για κάθε σύνολο δεδομένων το αντίστοιχο βέλτιστο μοντέλο, η εκτίμηση των προσαρμοσμένων τιμών και οι ‘Ν’ προβλεπόμενες μελλοντικές τιμές. Ως εκ τούτου, ο αυτοματοποιημένος αλγόριθμος μπορεί να βοηθήσει μια επιχείρηση να είναι περισσότερο παραγωγική με λιγότερο χρηματικό κόστος.

Time series forecasting is important in many fields. As the time goes by, which more information is available there is the need of the manipulation of time series, it in order to do a better decision – making. In business, an efficient decision – making is very importance, due to the fact of the financial aim of them. Thus, the automation can aid them to meet their goal. Thus, the aim of the paper is to present an algorithm for automatic selection of optimal time series model, with the scope of implementation of this algorithm in Enterprise Analytics Platforms. The algorithm includes eleven different time series forecasting models of the families of ARIMA, GARCH, Exponential smoothing and some statistical tests, like stationarity Augmented Dickey – Fuller test, Spearman rank correlation and Durbin – Watson test. The measure that utilized in order to find the optimum model, is the MAPE criterion, which based in the combination of training and testing data set. The specific data are monthly, and they are about sales of especial medicines from an especial channel. The results were the for each one data set the corresponding optimum model, estimated fitted values and the ‘N’ forecasting future values. Therefore, the automation algorithm can aid a business to be more productive with less financial cost.