Analisi Predittive di Serie Storiche

Link al diario: https://docs.google.com/document/d/1_r1HHRjRuGP4bbE47mgb6zxnemk_Q8J1uCu5me7eT2c

Fasi dello studio dei dati di un negozio di abbigliamento

• Studio della serie e modello ARIMA: script_sebastiano.py e analisi simili anche in script_michele.py (le previsioni della componente stagionale vengono realizzate usando una media exp con alpha=0.9)
• Modelli di exponential smoothing: script_ETS.py
• Modello TBATS per stagionalità multiple e confronto con dati aggregati: script_davide.py

Fasi dello studio dei dati della M5 competition (serie gerarchica)

Link ai dati della M5 competition (da inserire nella directory M5_COMPETITION/datasets): https://drive.google.com/file/d/19u1pDaCA_sFQheWdn5qStKuDfuoaFg5b/view?usp=sharing

• Modello ETS con approccio bottom-up e diretto: m5_competition.py
• Modello ARIMA con approccio bottom-up e diretto: m5_competition_ARIMA.py

Procedura per l'esecuzione degli script

Per realizzare i programmi è stato usato l'IDE Spyder poiché è un ambiente che mette a disposizione diverse librerie e in cui i grafici vengono visualizzati in maniera ottimale. Descriviamo quindi due procedure per eseguire i programmi dove la prima è la più consigliata.

Procedura 1

• Scaricare Spyder tramite Anaconda
• Installare attraverso la console di Spyder (sezione in basso a destra) le librerie pmdarima e tbats:

pip install pmdarima tbats

Procedura 2

• Scaricare IPython (versione>=7.18)
• Installare le seguenti librerie tramite pip:
  • matplotlib
  • pandas
  • statsmodels
  • pmdarima
  • sklearn
  • tbats

pip install matplotlib pandas statsmodels sklearn pmdarima tbats

• I programmi vanno lanciati dentro le rispettive directory poiché usiamo path relativi per accedere ai file