Optimización de Modelos de Series de Tiempo para la Predicción de la Demanda de Agua

Este estudio se centra en optimizar modelos de predicción de series de tiempo para la demanda de agua en una ciudad del norte de Italia como parte del desafío Batalla de la Predicción de la Demanda de Agua (BWDF). Su objetivo es predecir con precisión las demandas de agua en diez áreas de medición de distritos (DMA) utilizando datos históricos e información meteorológica en un horizonte de una semana. La metodología abarca el preprocesamiento de datos, incluida la imputación de datos faltantes, la ingeniería de características y técnicas de normalización novedosas, seguidas del desarrollo y la optimización de hiperparámetros de varios modelos basados en datos, como random forest, XGB, LSTM y Prophet. Amplias pruebas de validación cruzada evalúan el rendimiento de cada modelo, revelando que nuestro enfoque refinado mejora notablemente la precisión de las predicciones, demostrando la importancia de la selección de modelos y parámetros para una predicción efectiva de la demanda de agua.