Tarea 2 · Series de Tiempo (MACI)

Repositorio de la Tarea 2 de Análisis de Series de Tiempo. El objetivo fue construir un modelo de pronóstico que minimizara el error WMAE sobre el conjunto de evaluación provisto por la cátedra.

Resultados

• 1º lugar del curso: se obtuvo el WMAE más bajo de toda la sección.
• Métrica alcanzada: WMAE = 1850.7. Modelado con Darts; el modelo ganador fue Prophet (Darts) con ajuste y validación específicos para el desafío.

Evidencia

La siguiente imagen corresponde al anuncio oficial de resultados compartido por el equipo docente.

Nota: la imagen está en la raíz del repositorio como Evidencia.png.

Estrategia ganadora (resumen)

Implementada en T2_CristianBaezaT.ipynb usando Darts con el modelo Prophet.

1. Block Bootstrap + Prophet (10 combinaciones)

   • Generación de múltiples muestras de entrenamiento respetando la dependencia temporal con bloques de 8 semanas.
   • 10 modelos Prophet por combinación con parámetros optimizados mediante Grid Search.
   • Ensamble mediante promedio para reducir varianza.

2. Grid Search de Hiperparámetros

   • changepoint_prior_scale: [0.05, 0.1, 0.5]
   • seasonality_prior_scale: [5, 10, 15]
   • seasonality_mode: ['multiplicative', 'additive']
   • Validación temporal con últimas 8 semanas de train.

3. Completado con Promedio Histórico

   • Para las 3,151 combinaciones restantes: promedio histórico de ventas por tienda-departamento.
   • Asegura cobertura completa del test set (76,903 predicciones).

4. Manejo de Festivos

   • Inclusión automática de festivos estadounidenses mediante add_country_holidays('US').

Resultados generados

• ✅ submission.csv: 76,903 predicciones en formato Store_Dept_Fecha.
• ✅ Cobertura completa de todas las combinaciones tienda–departamento.
• ✅ Validación visual: gráficos muestran patrones estacionales coherentes.
• ✅ Predicciones no negativas: se aplica np.maximum(predictions, 0).

Ventajas de la estrategia

• ✅ Híbrida: combina modelos sofisticados (Prophet) con baseline robusto (promedio).
• ✅ Eficiente: enfoca recursos computacionales en un subsample representativo.
• ✅ Robusta: bootstrap reduce sobreajuste; el ensamble reduce varianza.
• ✅ Completa: garantiza predicción para todos los registros requeridos.

Reproducibilidad

1. Requisitos sugeridos (Python 3.10+): pandas, numpy, scikit-learn, darts[prophet], matplotlib, seaborn.
2. Abra y ejecute el cuaderno principal del proyecto:
   • T2_CristianBaezaT.ipynb
3. El flujo de trabajo produce los archivos de salida (por ejemplo submission.csv) en la carpeta raíz del repositorio.

Instalación rápida (ejemplo): pip install pandas numpy scikit-learn "darts[prophet]" matplotlib seaborn.

Notas

• El foco del proyecto fue la optimización de WMAE; Prophet (Darts) fue el mejor desempeño en validación/competencia.
• Para replicación exacta, mantenga la estructura de data/ y ejecute el cuaderno de principio a fin.