SERIES DE TIEMPO ESTACIONAL DIFUSA PARA PRONOSTICAR EL VALOR DE LA PRODUCCION DE LA INDUSTRIA MECANICA EN TAIWAN

RESUMEN: Basado en la serie de tiempo estacional ARIMA (p,d,q) (P,D,Q) modelo (SARIMA) y el modelo de regresin difuso, que combina las ventajas de los dos mtodos de proponer un procedimiento de series de tiempo estacionales difuso y aplicar este mtodo para pronosticar el valor de produccin de la industria mecnica en Taiwn. La intencin de este artculo es proporcionarle a las empresas, en esta era de la gestin diversificada, un mtodo nuevo para llevar a cabo la prediccin a corto plazo para el futuro con la esperanza de que estas empresas puedan realizar una planificacin ms precisa. Este mtodo incluye modelos de intervalo con parmetros de intervalo y proporciona la posibilidad de distribucin de valor futuro. A partir de los resultados de aplicacin prctica de la industria mecnica, se puede demostrar que este mtodo hace buenos pronsticos. Adems, este mtodo permite a los tomadores de decisiones para prever las situaciones posibles en base a un menor nmero de observaciones que el modelo SARIMA y tiene la funcin de pre-procedimiento de series de tiempo difuso.

1- Introduccin Con el rpido desarrollo de la tecnologa innovadora y la intensa competencia entre las empresas de la industria mecnica en Taiwn, todo el escenario se ha vuelto cada vez ms feroz. Las empresas estn siendo confrontadas con cada vez ms inestabilidad, lo que ha hecho que la planificacin futura sea an ms imposible. Es crtico que cuando se formulan las polticas del gobierno para la industria, tanto el pulso y el ciclo de los tiempos tienen que ser bien apreciado y entendido por lo que la toma de decisiones puede ser precisa, como la prediccin efectiva es fundamental para la tecnologa y la demanda futura. La serie de tiempo es uno de los mtodos para cuantificar las predicciones. Se ha sugerido por Box y Jenkins [1] que el modelo de series de tiempo estacional ARIMA ha disfrutado de aplicaciones fructferas en la previsin econmica, la comercializacin, los problemas sociales, etc. Pero mientras que este modelo tiene la ventaja de previsin exacta en periodos cortos, tambin tiene la limitacin de asumir que los valores futuros de una serie de tiempo tienen una relacin funcional clara y definida con los actuales valores, los ltimos valores y el ruido blanco y, si es posible, se deben utilizar al menos 50 y preferiblemente 100 o ms observaciones. Tanaka et al. [2-4] sugiri la regresin difusa para resolver el medio ambiente difuso y evitar el error de modelado. Este modelo es bsicamente un modelo de prediccin de intervalo con la desventaja de

que el intervalo de prediccin puede ser muy amplio si algunos valores extremos estn presentes. Song y Chissom [5-7] presentaron una definicin de la serie temporal difusa y esbozaron su modelado mediante ecuaciones relacionales difusas y razonamiento aproximado. Chen [8] present un mtodo de series de tiempo difuso basado en el concepto de Song y Chissom. Se ha encontrado una aplicacin que utiliza la regresin difusa para el anlisis de series de tiempo difusa por Watada [9], pero este modelo no incluy tambin el concepto del modelo de Box- Jenkins. En este artculo, basado en los trabajos de series de tiempo ARIMA (p,d,q) (P,D,Q) modelo y el modelo de regresin difusa, que combinan las ventajas de los dos mtodos para proponer un mtodo de series de tiempo estacionales difusa. De los resultados de la aplicacin prctica de la industria mecnica, nos encontramos con el mtodo propuesto que hace buenos pronsticos y parece ser la herramienta ms adecuada. Las ventajas son: - Proporcionar a los tomadores de decisiones con conocimiento sobre las posibles situaciones futuras; - El nmero requerido de observaciones es menor que el modelo ARIMA requiere (por lo menos 50 y preferiblemente ms de 100 observaciones); - Proporcionar un nuevo mtodo para hacer pronsticos en periodos cortos. Este artculo est organizado de la siguiente manera. Conceptos de series de tiempo estacional ARIMA y regresin difusa, se examinan en la Seccin 2. En la seccin 3, se propone el mtodo de series de tiempo estacionales difusa. El mtodo de series de tiempo estacionales difusa se aplica para pronosticar el valor de produccin de la industria mecnica en Taiwn en la Seccin 4, y, finalmente, las conclusiones se discuten en la Seccin 5.

2- Revisin del modelo estacional ARIMA y modelo de regresin difusa (Ecuaciones 1-8) Una serie de tiempo {Ztt=1,2,..., K} es generada por un ARIMA estacional (p, d, q) (P, D, Q) proceso con media m del modelo de BoxJenkins [1] si ecuacin 1. Donde p, d, q, P, D, Q son nmeros enteros, s es la periodicidad. Otra ecuacin, son polinomios en B de grado p, q, P y q; B es el operador de desplazamiento hacia atrs; Zt denota un valor observado de los datos de series de tiempo, t=1, 2,..., K, y los datos de series de tiempo son observaciones. La formulacin del modelo SARIMA incluye cuatro pasos:

Identificacin de la ARIMA estacional (p, d, q) (P, D, Q) Estructura. El uso de la funcin de autocorrelacin (ACF) y la funcin de autocorrelacin parcial (FAP) para desarrollar la funcin aproximada; Estimacin del parmetro de modelo desconocido; PRONOSTICO DE SERIES DE TIEMPO EN TAIWN

Pruebas de bondad de ajuste de los residuos estimados; Previsin del modelo de seleccin.

Se supone que en el de los residuos estimados son independientes e idnticamente distribuidas como variables aleatorias normales con media 0 y varianza s2 y las races de (z)=0 y (z)=0 se encuentran todas fuera del crculo unitario. Si es posible, se debe utilizar por lo menos 50 y preferentemente 100 observaciones o ms. En nuestra sociedad actual, debido a los factores de incertidumbre de todo el medio ambiente, el rpido desarrollo de las nuevas tecnologas y las demandas diversificadas de los clientes, normalmente tenemos que prever situaciones futuras con pocos datos en un corto espacio de tiempo. Es, por lo tanto, difcil de verificar si los datos se distribuyen normalmente. Por lo tanto, la suposicin como se ha mencionado est limitada de tal manera que no es aplicable a nuestra rpida y cambiante sociedad con la nueva tecnologa siempre cambiante. Este modelo utiliza el concepto de error de medida para hacer frente a la diferencia entre estimadores y observaciones, pero estos datos son valores precisos y no incluyen los errores de medicin. Es el mismo que el concepto bsico del modelo de regresin difusa como se sugiere por Tanaka et al. [2] El concepto bsico de la teora difusa de regresin difusa es que los residuos entre estimadores y observaciones no son producidos por los errores de medicin, sino ms bien por la incertidumbre de los parmetros en el modelo, y la distribucin de posibilidad se utiliza para tratar con las observaciones reales. El siguiente es un modelo generalizado de regresin lineal difusa: Ecuacin (2) Donde x es el vector de las variables independientes; el superndice ' denota la transformacin lineal; n es el nmero de variables y Bi son conjuntos difusos que representan los parmetros del modelo. En lugar de utilizar ntidos parmetros difusos en forma de L-tipo de nmeros difusos Dubois y Prade [10], la distribucin de posibilidad es: Ecuacin (3) Donde L es el tipo de funcin. Se utilizan parmetros difusos en forma de nmeros borrosos triangulares: Ecuacin (4)

Donde (Bi.) es la funcin de pertenencia del conjunto difuso representado por el parmetro Bi; Alfai es el centro del nmero difuso y Ci es la anchura o la propagacin alrededor del centro del nmero difuso. A travs del principio de extensin, la funcin de pertenencia del nmero difuso Yt = x't B puede ser definido usando el parmetro piramidal difuso B de la siguiente manera: Ecuacin (5) Donde alfa y C denotan vectores de valores de los parmetros del modelo y se extiende, respectivamente, para todos los parmetros del modelo, y t es el ndice de la observacin, t=1, 2,..., K. Por ltimo, el mtodo utiliza el criterio de minimizar la vaguedad total de, S, definido como la suma de los diferenciales individuales de los parmetros difusos del modelo. Ecuacin (6) Al mismo tiempo, este enfoque tiene en cuenta la condicin de que el valor de asociacin de cada observacin Yt es mayor que un umbral impuesto, h-nivel, [0,1]. Este criterio de datos simplemente expresa el hecho de que la salida difusa del modelo debera cubrir todos los puntos de datos Y1, Y2, , yk a un determinado h-nivel. Una eleccin del valor h-nivel influye en el ancho de c de los parmetros difusos: Ecuacin (7) El ndice t se refiere a los datos no difusos utilizados en la construccin del modelo. El problema de encontrar los parmetros de regresin difusos fue formulado por Tanaka et al. [4] como un problema de programacin lineal: Ecuacin (8) Donde alfa'= (a1, a2, , a) y C'=(c1, c2, , cn) son vectores de variables desconocidas y S es la imprecisin total, como se ha definido previamente. Watada [9] sugiri el anlisis de series de tiempo difusa, que se formula por un modelo de regresin posibilidad, pero no incluye el concepto del modelo de Box-Jenkins [1]; tambin en este modelo, el peso de la funcin objetivo no contiene criterios que pueden ser algo subjetivo. Proponemos un modelo de series de tiempo estacionales difuso utilizando el criterio de un modelo de regresin difusa para formularla y para mejorar las limitaciones en el modelo de Watada.

3- El Proceso de Formulacin Mtodo (Ecuaciones 9-16 ) Debemos decidir cmo hacer un pre-procedimiento de observaciones y elegir un modelo adecuado para adquirir la ecuacin de prediccin cuando usamos series de tiempo de auto-regresin para generar pronsticos. Pero no es fcil elegir el mtodo adecuado para preprocedimiento y la forma funcional adecuada. La ARIMA estaciona (p, d, q ) ( P , D, Q ) es un mtodo de pronstico exacto para perodos cortos, pero por lo menos 50 y preferentemente 100 observaciones o ms se deben utilizar. Sin embargo, en nuestra sociedad hoy en da, debido a los factores de incertidumbre de todo el medio ambiente y el rpido desarrollo de la nueva tecnologa, por lo general hay que prever situaciones futuras con pocos datos en un corto espacio de tiempo. El modelo SARIMA aborda las limitaciones de las aplicaciones del mundo real, pero este modelo tiene la ventaja de proporcionar un buen mtodo para escoger la forma apropiada de pre-procedimiento y el modelo adecuado. El mtodo de regresin difusa puede hacer buenas predicciones cuando los datos disponibles son limitados. Este artculo rene las ventajas de ambos mtodos y se propone el proceso de series de tiempo estacional difusa de la siguiente manera: Paso 1: La determinacin del tipo de modelo de SARIMA mediante el uso de observaciones. Montaje del ARIMA estacional (p,d,q) (P,D,Q) utilizando la informacin disponible sobre las observaciones (es decir, los datos de entrada se consideran no difusos). Una ARIMA estacional (p,d,q) (P,D,Q) modelo se describe por la ecuacin 9. Ecuacin (9) Paso 2: Si q y Q son cero, hacer el paso 3. Paso 3: Utilizando el mtodo de regresin difusa para formular un modelo de serie temporal difusa. Ecuacin (10) Se utilizan parmetros difusos en forma de nmeros borrosos triangulares: Ecuacin (11) Donde uBi (bi) es la funcin de pertenencia del conjunto difuso que representa el parmetro Bi, Alfai es el centro del nmero difuso y Ci es la anchura o la propagacin en todo el centro del nmero difuso. Usando parmetros difusos Bi en forma triangular, los miembros de la W en la ecuacin 10 se da como: Ecuacin (12) Al mismo tiempo, Zt representa la t-sima observacin, y h-nivel es el valor de umbral que representa el grado en que el modelo debe ser

satisfecho en todos los puntos de datos Z1, Z2,. . ., Zk. Una seleccin de las influencias de h valores de la anchura C de los parmetros difusos: Ecuacin (13) El ndice t se refiere a los datos no difusos utilizados para construir el modelo. El problema de encontrar los parmetros de series de tiempo estacionales difusos se formula como un problema de programacin lineal: Ecuacin (14) Para que el modelo incluya todas las condiciones posibles, cuando los datos incluyen una dispersin significativa, las series de tiempo estacional difusa procesa como posiblemente suceda, as como para producir Cj con amplia difusin. Ishibuchi et al. [12] sugiere la necesidad de eliminar los datos de todo el modelo de lmite superior y el lmite inferior y, a continuacin, para formular el modelo de regresin difusa. Aqu el modelo de series de tiempo estacionales difuso utiliza el mismo mtodo.

4- Aplicacin al valor pronstico de produccin de la industria mecnica en Taiwn La industria mecnica no es slo el segmento crucial de toda la industria manufacturera, sino tambin el fundamento de toda la industria manufacturera. El desarrollo de la industria mecnica en Taiwn ya se ha extendido por varias dcadas, y ha sido el papel crucial de uno de los componentes de la industria de fabricacin en Taiwn, tanto en las reas de la fabricacin o el comercio de exportacin. Con proyeccin hacia el futuro, el potencial de la industria mecnica es simplemente ilimitado a la vista de los postulados de la automatizacin, sistematizacin y precisin en toda la industria manufacturera. El fondo de la industria mecnica actual es la siguiente [13,14]. El desarrollo de la industria mecnica comenz con el montaje de las piezas, y la reparacin y mantenimiento de maquinaria, con vencimiento en uno de los principales pases proveedores del mundo de la industria mecnica. Por ejemplo, la escala de las exportaciones de la mquina del ventilador ya ha superado a todas los dems, mientras que la mquina de la carpintera, mquina de coser, y las mquinas de oficina ocuparon el tercer lugar. Liderados por la industria de la informacin , la exportacin del ventilador hecha en Taiwn ha llegado a ser la primera en el mundo, mientras que el desarrollo de la maquinaria de precisin, equipos de fabricacin de semiconductores, equipos de lucha contra la contaminacin de alta tecnologa, y las piezas mecnicas esenciales estn siendo supervisadas activamente bajo la promocin del gobierno. Aprovechando el mercado interno para impulsar la localizacin de los equipos, as como para aumentar la proporcin de partes cruciales de fabricacin propia, una investigacin a fondo y una precisin en el

desarrollo de la industria mecnica se puede establecer. Adems, un sistema de alianza estratgica se establece ms arriba, en coordinacin con otros sectores para ampliar los mercados de ultramar y para facilitar la cooperacin con los socios de la tecnologa internacional, as como la inversin de la planta. A medida que el desarrollo en la industria de semiconductores florece en Taiwn, la industria de fabricacin de equipos de semiconductores de Taiwn se ve con innumerables aberturas para las empresas. Slo en vista de la entrada interna, el nivel de nuestra habilidad sigue siendo un punto muerto en una cierta capacidad perifrica en la parte posterior del proceso de fabricacin, por lo tanto se considera la etapa embrionaria como estamos muy por debajo de los equipos de fabricacin con el diseo y la capacidad de fabricar. Sin embargo, nuestro gobierno est presionando enrgicamente para convertir a Taiwn en un centro de fabricacin mecnica en la regin Pacifica de Asia, con unidades activas que se queden para promover la fabricacin de equipos de IC, oblea de corte y envasado de equipos y, equipos de deteccin de semiconductores, y se espera que ndice de auto-produccin del 25% para este equipo se pueda lograr en cinco aos. Con el empleo del mercado interno para impulsar la poltica de localizacin de dichas mquinas, hay abundantes posibilidades de desarrollo.

De los fabricantes dedicados a la industria mecnica, el 95% de ellos son de medianas y pequeas empresas, y el 95% de estas empresas emplean a menos de 100, y ms del 95% de los empresarios de empleo son menos de 50. En cuanto a la cifra de negocios, el 90% de los empresarios hacen una facturacin anual inferior a NT $ 50 millones. Los modos de produccin dentro de la industria varan, y la mayora de ellos estn en la lnea de montaje. Los empresarios de la industria mecnica se centrarn principalmente en los mercados de ultramar, con el 60% y el 70% de su cuota de mercado en China continental, los Estados Unidos y el sudeste de Asia. Y la tasa de depender de importacin sigue siendo alta como la tasa de

auto contencin, que es de menos de 30%. Sin embargo, la expansin del mercado interno debe ser explorada bajo iniciativa gubernamental activa. En trminos de valor de la produccin, las cantidades de la industria mecnica son del 5% en la industria de fabricacin, pero su crecimiento de expansin en el valor de exportacin es mucho menor que la de toda la industria de fabricacin. A la vista de lo expuesto anteriormente, existen oportunidades incalculables para las empresas en la industria mecnica en el futuro, slo que no puede haber ningn avance reciente en la zona. Adems, al revisar la informacin de los valores de produccin fechados entre enero de 1993 y junio de 1996, se puede observar que los valores de produccin de la industria mecnica revelan un ciclo peridico, as como una tendencia de crecimiento estable (ver Figura 1). Este estudio, por lo que la hiptesis de que el modo de pantalla o cambio de tendencia que se encuentra en la informacin histrica va a persistir en el futuro, se ha basado en los datos de 42 lotes de los valores de produccin que se encuentran en la industria mecnica de fecha entre enero de 1993 y junio de 1996 para establecer el modelo de prediccin adecuado para la industria mecnica utilizando el mtodo de series de tiempo estacionales difusa. El modelo puede ser citado como una referencia para los empresarios en su toma de decisiones. Este estudio ha utilizado los 36 lotes de observaciones entre enero de 1993 y diciembre de 1995 para establecer la estructura del modelo y 6 porciones de observaciones entre enero de 1996 y junio de 1996 para poner a prueba el modelo.

Paso 1: El modelo estacional de montaje ARIMA (p, d, q) (P, D, Q). Usando SCA (Asociacin de Computacin Cientfica) paquete de software, adquirimos el modelo del valor de la produccin de la industria mecnica es ARIMA (1,0,0) (0,1,0). Paso 2: Determinacin de la borrosidad mnima. En el Paso 1, se encuentra el modelo que es: Ecuacin (15)

Conjunto h=0, los parmetros difusos obtenidos mediante el uso de la ecuacin 14 se muestran en la ecuacin 16. Los resultados se muestran en la Tabla 1 y se representan en la Figura 2. Ecuacin (16) Utilizando la ecuacin 16, pronosticamos el valor de la produccin futura de la industria mecnica en los prximos seis meses, los resultados se muestran en la Tabla 2. Nos encontramos con los valores previstos y son muy buenos. Al mismo tiempo, se aplica el modelo de SARIMA y el modelo de series de tiempo difusa de Watada [9] para pronosticar el valor de produccin de la industria mecnica, y los resultados se muestran en la Tabla 3.

Basndose en los resultados empricos de esta aplicacin, nos encontramos con que la capacidad de prediccin de SARIMA y la serie de tiempo estacional difusa son bastante alentadoras, pero la serie de tiempo difusa de Watada no lo es. El intervalo del mtodo de series de tiempo estacional difusa es ms estrecho que el intervalo de confianza de SARIMA. Desde esta aplicacin se encuentran series de tiempo

estacional difusas que es el mejor mtodo para pronosticar el valor de produccin de la industria mecnica. En el mundo real, el ambiente es incierto y hay que utilizar pocos datos para predecir situaciones futuras en poco tiempo. Y debemos preprocesar los datos. Bajo estas circunstancias, el mtodo de series de tiempo estacionales difusa es ms satisfactorio que el ARIMA estacional y el mtodo de series de tiempo difusa de Watada. Hay varias ventajas de la serie de tiempo estacional difusa que hace que parezca ser la herramienta ms adecuada: Proporcionar a los tomadores de decisiones la posiblemente mejor y peor de las situaciones. El nmero requerido de observaciones es menor que el modelo ARIMA estacional requerido (preferiblemente ms de 100). Para dar una idea de pre-procedimiento.

Una comparacin entre SARIMA, serie de tiempo estacional difusa y la serie de tiempo difusa (Watada [9]) los modelos se describen a continuacin. La base terica del mtodo SARIMA est en la distribucin de probabilidad de las estadsticas, y la relacin entre la entrada y la salida es de una forma funcional precisa; an ms, la informacin de entrada y de salida slo pueden ser gestionadas a travs de la relacin de su informacin, por lo tanto cantidades masivas de la informacin que se requerira. Un mtodo de este tipo es beneficioso para observaciones dotadas de las tendencias de crecimiento y los ciclos estacionales, con costos y gastos meramente aceptables. La serie de tiempo estacional difusa adquiere un pre-procedimiento de SARIMA, y se basa en el concepto de regresin difusa, como la diferencia residual entre el valor de prediccin y el valor de la observacin se produce debido a la incertidumbre del parmetro; en otras palabras, el parmetro es un nmero difuso. Adems, la distribucin de posibilidad del coeficiente puede obtenerse a partir de la dispersin de las observaciones, por lo tanto la salida del modelo es de un cierto intervalo que abarca el valor de observacin. Este mtodo es capaz de hacer frente a la observacin, que est dotado con las tendencias de crecimiento y los ciclos estacionales, y no cuesta mucho. La serie de tiempo difusa Watada utiliza la teora de la regresin difusa, emplea posibilidad o difusa con respecto a las observaciones, y los define como nmeros difusos. Por otra parte, el modelo de serie temporal se interpretar como una funcin difusa de tiempo, mientras que el parmetro como un nmero difuso. El mtodo es capaz de hacer frente a las observaciones que estn dotadas con las tendencias de crecimiento, as como ciclismo peridico, y slo se requiere una cantidad insignificante de dinero por ello.

5- Conclusiones En este artculo, un nuevo mtodo de prediccin se ha presentado para que las empresas, en un entorno de gestin de rpida evolucin, puedan encontrar una base ms slida a medida que realizan la planificacin futura, y el gobierno puede ser ms competente agarrando como tendencias las formulas polticas para la industria. A partir de los conceptos bsicos de la Box- Jenkins ARIMA de series de tiempo estacionales y regresin difusa Tanaka , que combinan las ventajas de los dos mtodos de proponer un nuevo mtodo y aplicarlo a pronosticar el valor de produccin de la industria mecnica en Taiwn. A partir de los resultados empricos de esta aplicacin, nos encontramos con que la capacidad de prediccin de series de tiempo estacionales SARIMA y difusa es bastante alentador, pero las series temporales difusas de Watada no lo son. Adems, podemos ver que el intervalo del mtodo propuesto es ms estrecho que SARIMA, todos los tres modelos tienen la capacidad de tratar una tendencia de crecimiento, el ciclo estacional y los costos unitarios de previsin son menores. En el mundo real, el medio ambiente es incierto y hay que utilizar pocos datos para pronosticar el futuro en un corto perodo de tiempo. El mtodo de series de tiempo estacionales difusa parece ser la herramienta adecuada.