Utilizando el análisis de series temporales para pronosticar el crecimiento de los usuarios de pagos móviles y sus...

Área de la Ciencia:

• Ciencias de la computación
• Ciencia de los datos
• Las economías

Sus antecedentes:

• Los sistemas de pago móvil muestran un rápido crecimiento, lo que plantea desafíos de pronóstico.
• La dinámica del mercado y la complejidad de la adopción por parte de los usuarios dificultan las predicciones precisas.
• Los métodos de pronóstico existentes se enfrentan a la complejidad de los mercados de pagos móviles.

Objetivo del estudio:

• Desarrollar un modelo avanzado de previsión para los sistemas de pago móvil.
• Abordar los desafíos de la dinámica del mercado y los factores de adopción en las previsiones.
• Mejorar la precisión y adaptabilidad de las predicciones del mercado de pagos móviles.

Principales métodos:

• Se propuso un modelo híbrido ARIMA-LSTM-Transformador.
• Pronóstico integrado de series temporales, aprendizaje secuencial y mecanismos de atención.
• Validar el modelo utilizando cinco conjuntos de datos diferentes.

Principales resultados:

• Se obtiene un error medio absoluto (MAE) de 0,075.
• Se ha registrado un error de la raíz media cuadrada (RMSE) de 0,121.
• Se obtuvo un coeficiente de determinación (R2) de 0,948, lo que demuestra un rendimiento superior.

Conclusiones:

• El modelo híbrido ARIMA-LSTM-Transformer supera significativamente los enfoques de pronóstico tradicionales.
• La alta precisión y adaptabilidad del modelo son adecuadas para aplicaciones del mundo real.
• Esta investigación proporciona información valiosa para la planificación de la economía digital y el análisis del mercado de pagos móviles.