AirPassengers

Introducción

La base de datoss AirPassengers contiene el número mensual de pasejeros aéreos internacionales entre 1949 y 1960 (144 observaciones mensuales).
Esta base de datos es ampliamente utilizada para el análisis de series de tiempo, reflejando el crecimiento de la industria de la aviación comercial después de la Segunda Guerra Mundial.

Instalar paqueter y llamar librerias

library(ggplot2)
#install.packages("forecast")
library(forecast)

## Warning: package 'forecast' was built under R version 4.3.3

## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo

df <- as.data.frame(AirPassengers)
serie_de_tiempo <- AirPassengers

Identificar patrones o tendencias

Los 4 componentes de las series de tiempo son:

• Tendencia: Ej. Aumento en las ventas de una tienda en línea debido al crecimiento del comercio electrónico.
• Ciclo: Ej. Las fluctuaciones en las ventas de automóviles a lo largo de los ciclos económicos (expansión y recesión).
• Patrón Estacional: Ej. Aumento de ventas de juguetes durante la navidad.
• Aleatorio: Ej. Caída de las ventas por un desastre natural.

ggplot(df, aes(x=time(serie_de_tiempo), y = serie_de_tiempo))+
        geom_line(color="darkgreen")+
        labs(title = "No. Pasajeros Internacionales", x = "Año", y = "Pasajeros")

## Don't know how to automatically pick scale for object of type <ts>. Defaulting
## to continuous.
## Don't know how to automatically pick scale for object of type <ts>. Defaulting
## to continuous.

Podemos concluir de la gráfica anterior que la base de datos tiene tendencia creciente y patrón estacional.

Generar pronósticos

#Ajuste del modelo
modelo <- auto.arima(serie_de_tiempo)

#Realizar pronóstico a 12 meses
pronostico <- forecast(modelo, h=12)

#Gráfica datos históricos + pronóstico
autoplot(pronostico)+
        labs(title = "No. Pasajeros Internacionales", x = "Año", y = "Pasajeros")

#Generar predicción para un mes en específico
df_prediccion <- data.frame(Fecha = time(pronostico$mean), Prediccion = as.numeric(pronostico$mean))

df_prediccion[df_prediccion$Fecha == 1961.0, ] #Enero de 1961

##   Fecha Prediccion
## 1  1961   445.6349

df_prediccion[df_prediccion$Fecha == 1961.167, ] #Marzo de 1961

## [1] Fecha      Prediccion
## <0 rows> (or 0-length row.names)

#