Hoy en día, el turismo es una actividad primordial a nivel internacional, se ha convertido en un objeto de estudio que engloba a un gran número de elementos que permanecen en constante interacción y a partir de ellos se generan una serie de actividades para el abastecimiento de bienes y servicios.
Los siguientes datos proviene de INEGI https://www.inegi.org.mx/temas/turismo
Traer los datos.
datos <- read.csv("C:/Users/Erika/Documents/Turismo.csv")Instalar el paquete TSstudio y llamar la libreria
#install.packages("TSstudio")
library(TSstudio)El parametro start, puede definir una fecha de inicio: Agosto de 2018, frequency: los 12 meses del año)
#la función ts convierte un objeto a serie de tiempo y recibe como parametro un objeto timeSeries
stdatos<-ts(datos,start=c(2018,8),frequency=12)Grafica de serie de tiempo de 2018-2022. En 2020 decrece el numero de turistas.
#Grafica de numero de turista de 2018 a 2022
ts_plot(stdatos,
title = "Número de turistas en México 2018-2022",
Ytitle = "Unidades en miles",
Xtitle = "Turismo en México",
slider = TRUE)#Descomposicion de la serie de tiempo
ts_decompose(stdatos)#Componente estacional
ts_seasonal(stdatos, type = "all")#Componente estacional sin tendencia
ts_seasonal(stdatos - decompose(stdatos)$trend,
type = "all",
title = "Numero de Turistas (sin tendencia)")## Warning: Can't display both discrete & non-discrete data on same axis## Warning: Ignoring 2 observations## Warning: Ignoring 1 observations
## Warning: Ignoring 1 observations
## Warning: Ignoring 1 observations
## Warning: Ignoring 1 observations## Warning: Ignoring 2 observations
## Warning: Ignoring 2 observations
## Warning: Ignoring 2 observations## Warning: Can't display both discrete & non-discrete data on same axis#Analisis de correlacion
ts_cor(stdatos)stdatos_df <- ts_to_prophet(stdatos)
head(stdatos_df)## ds y
## 1 2018-08-01 3266838
## 2 2018-09-01 2663744
## 3 2018-10-01 3319123
## 4 2018-11-01 3810981
## 5 2018-12-01 4710423
## 6 2019-01-01 3924215Para el pronostico de la serie.
#Para la ruptura de la serie, se utiliza (flag) binaria con valor
#de 0 para cualquier observacion antes del 2020 y 1 despues.
#Esto por que en 2020 decrece el numero de turistas
library(lubridate)##
## Attaching package: 'lubridate'## The following objects are masked from 'package:base':
##
## date, intersect, setdiff, unionstdatos_df$flag <- ifelse(year(stdatos_df$ds) >= 2020, 1, 0)
h1 <- 12
h2 <- 60
stdatos_split <- ts_split(stdatos, sample.out = h1)
train <- stdatos_split$train
test <- stdatos_split$test
train_df <- stdatos_df[1:(nrow(stdatos_df) - h1), ]
test_df <- stdatos_df[(nrow(stdatos_df) - h1 + 1):nrow(stdatos_df), ]#semilla
set.seed(1234)
#Llamar las dos library
library(forecast)## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoolibrary(plotly)## Loading required package: ggplot2##
## Attaching package: 'plotly'## The following object is masked from 'package:ggplot2':
##
## last_plot## The following object is masked from 'package:stats':
##
## filter## The following object is masked from 'package:graphics':
##
## layout#Modelo arima
mdsarima <- auto.arima(train,
stepwise = FALSE,
approximation = FALSE,
D = 1)
fc1 <- forecast(mdsarima, h = h1)
accuracy(fc1, test)## ME RMSE MAE MPE MAPE MASE
## Training set -27716.34 802975.5 457883 -31.56495 80.59759 0.237676
## Test set 2619513.83 2632820.1 2619514 94.92307 94.92307 1.359726
## ACF1 Theil's U
## Training set -0.1414191 NA
## Test set 0.2265285 4.891089#modelo Sarima
test_forecast(forecast.obj = fc1, actual = stdatos, test = test) %>%
layout(legend = list(x = 0.6, y = 0.95))#Evaluación de residuos del Modelo SARIMA
check_res(mdsarima)## Warning: Ignoring 31 observations## Warning: Ignoring 30 observations## Warning: Ignoring 3 observations#Pronósticos del modelo SARIMA
md_final <- auto.arima(stdatos,
stepwise = FALSE,
approximation = FALSE,
D = 1)
fc_final <- forecast(md_final, h = 12)plot_forecast(fc_final) %>%
layout(legend = list(x = 0.6, y = 0.95), title="Pronostico de abril de 2022 a marzo de 2023")