Prediction of imports of household appliances in Ecuador using LSTM networks
Loading...
Date
2020
Journal Title
Journal ISSN
Volume Title
Publisher
Springer Nature Switzerland AG 2020
Abstract
Time series forecasting is an important topic widely addressed with traditional statistical models such as regression, and moving average. This work uses the state-of-the-art Long Short-Term Memory (LSTM) Networks to predict Ecuadorian imports of Home Appliances, and to compare the results against those obtained by traditional methods. First, an ARIMA model was used to forecast imports data. Then, the predictions were calculated by a Univariate LSTM network. The time series used in both experiments was the monthly average of imports from 1996 to April 2019. In addition, time series of GDP Growth, Population, and Inflation were included in the model to test prediction improvements. The performance of the models was assessed comparing the Mean Squared, Root Mean Square and Mean Absolute Error metrics. The results show that a LSTM network produces a better fit of the imports data and improved predictions compared against those produced by the ARIMA model. Furthermore, the use of multivariate time series (i.e., GDP Growth, Population, Inflation) data, for the LSTM model, did not produce significant improvements compared to the univariate imports time series.
Resumen
El pronóstico de series de tiempo es un tema importante ampliamente abordado con modelos estadísticos tradicionales como la regresión y el promedio móvil. Este trabajo utiliza las redes de última generación de memoria a corto plazo (LSTM) para predecir las importaciones ecuatorianas de electrodomésticos y comparar los resultados con los obtenidos por los métodos tradicionales. Primero, se utilizó un modelo ARIMA para pronosticar datos de importaciones. Luego, las predicciones fueron calculadas por una red Univariate LSTM. La serie de tiempo utilizada en ambos experimentos fue el promedio mensual de importaciones desde 1996 hasta abril de 2019. Además, se incluyeron series de tiempo de crecimiento del PIB, población e inflación en el modelo para probar las mejoras de predicción. El rendimiento de los modelos se evaluó comparando las métricas de Cuadrado medio, Cuadrado medio cuadrático y Error absoluto medio. Los resultados muestran que una red LSTM produce un mejor ajuste de los datos de importación y mejores predicciones en comparación con las producidas por el modelo ARIMA. Además, el uso de series de tiempo multivariadas (es decir, datos de crecimiento del PIB, población, inflación), para el modelo LSTM, no produjo mejoras significativas en comparación con las series de tiempo de importaciones univariadas.
Keywords
ARIMA, Imports forecasting, LSTM, RNN, Time series forecasting