IEEE Power & Energy Magazine - Spanish - May/June 2022 - 38

✔ para evaluar los modelos, se consideren varias métricas,
y una de ellas es la MAE relativa
✔ se usen pruebas estadísticas para evaluar si las diferencias
en el rendimiento predictivo son significativas
✔ la división y las fechas del conjunto de datos se establezca
explícitamente, y que todos los datos de entrada
y parámetros del modelo se definan explícitamente
✔ el costo informático de los nuevos métodos se evalúa y
compara con el de los enfoques existentes
✔ los modelos de pronóstico se recalibren a diario, no
solo se estimen una vez, y se evalúen con el conjunto
total de datos de prueba.
Reconocimientos
Jesus Lago contribuyó a este trabajo como una actividad
externa, no como parte de su rol en Amazon.
Lecturas complementarias
R. J. Hyndman y G. Athanasopoulos, Forecasting: Principles
and Practice (Pronóstico: principios y prácticas), 3º ed.
Melbourne, Australia: OTexts, 2021.
G. James, D. Witten, T. Hastie y R. Tibshirani, An Introduction
to Statistical Learning (Introducción al aprendizaje
estadístico), 2º ed. Nueva York, NY, EE. UU.: Springer
Science & Business Media, 2021.
J. Lago, G. Marcjasz, B. De Schutter y R. Weron,
" Forecasting day-ahead electricity prices: A review of
state-of-the-art algorithms, best practices and an open-access
benchmark " (Pronóstico de los precios de la electricidad
de predespacho de mercado: una revisión de los algoritmos
de vanguardia, las mejores prácticas y una referencia de
código abierto), Appl. Energy, vol. 293, pág. 116,983, julio de
2021, doi: 10.1016/j.apenergy.2021.116983.
R. Weron, " Electricity price forecasting: A review
of the state-of-the-art with a look into the future " (Pronóstico
del precio de la electricidad: una revisión de la
vanguardia con miras
al futuro), Int. J. Forecasting,
vol. 30, n.º 4, págs. 1030-1081, 2014, doi: 10.1016/j.ij
forecast.2014.08.008.
F. Ziel, " Forecasting electricity spot prices using LASSO:
On capturing the autoregressive intraday structure " (Previsión
de los precios spot de la electricidad usando LASSO:
capturar la estructura autorregresiva intradiaria), IEEE
Trans. Power Syst., vol. 31, n.º 6, págs. 4977-4987, 2016, doi:
10.1109/TPWRS.2016.2521545.
I. Goodfellow, Y. Bengio y A. Courville, Deep Learning
(Aprendizaje profundo). Cambridge, MA, EE. UU.: MIT
Press, 2016. http://deeplearningbook.org
Biografías
Arkadiusz Je˛drzejewski pertenece a la Universidad Wrocław
de Ciencia y Tecnología, Wrocław, 50-370, Polonia.
Jesus Lago pertenece a Amazon, Ámsterdam, 1097DP,
Países Bajos.
Grzegorz Marcjasz pertenece a la Universidad Wrocław
de Ciencia y Tecnología, Wrocław, 50-370, Polonia.
Rafał Weron pertenece a la Universidad Wrocław de
Ciencia y Tecnología, Wrocław, 50-370, Polonia, y a DB
Energy, Wrocław, 50-541, Polonia.
p&e
38
ieee power & energy magazine
mayo/junio 2022
http://www.deeplearningbook.org
IEEE Power & Energy Magazine - Spanish - May/June 2022

Table of Contents for the Digital Edition of IEEE Power & Energy Magazine - Spanish - May/June 2022
