Avui dia existeixen diversos models d'anàlisi de sèries temporals. En el present TFG es pretén realitzar un estudi comparatiu sobre diferents models: ARIMA, SARIMA i Holt-Winters aplicats a l'evolució de l'transport públic a la ciutat de Barcelona. A més, es desenvolupen models de regressions lineals i polinòmiques adaptats a sèries temporals que presentin estacionalitat.

Es desenvolupa també una metodologia pas a pas per poder aplicar els models estudiats amb èxit i de forma automàtica, sense necessitat de tenir un coneixement previ de l'comportament de la sèrie temporal a modelitzar.

D'altra banda, gràcies a diverses eines informàtiques descrites en aquest treball, es permet implementar, diagnosticar i visualitzar l'aplicació d'aquests models.

Finalment, per a cadascuna de les sèries temporals en aquest TFG, s'ha aconseguit aplicar un model amb un important poder de prediccions.

Hoy en día existen varios modelos de análisis de series temporales. En el presente TFG se pretende realizar un estudio comparativo sobre diferentes modelos: ARIMA, SARIMA y Holt-Winters aplicados a la evolución del transporte público en la ciudad de Barcelona. Además, se desarrollan modelos de regresiones lineales y polinómicas adaptados a series temporales que presenten estacionalidad.

Se desarrolla también una metodología paso a paso para poder aplicar los modelos estudiados con éxito y de forma automática, sin necesidad de tener un conocimiento previo del comportamiento de la serie temporal a modelizar.

Por otro lado, gracias a diversas herramientas informáticas descritas en este trabajo, se permite implementar, diagnosticar y visualizar la aplicación de dichos modelos.

Finalmente, para cada una de las series temporales en este TFG, se ha conseguido aplicar un modelo con un importante poder de predicciones.

Today there are several models of time series analysis. This TFG aims to carry out a comparative study on different models: ARIMA, SARIMA and Holt-Winters applied to the evolution of public transport in the city of Barcelona. In addition, linear and polynomial regression models adapted to time series that present seasonality are developed.

A step-by-step methodology is also developed to be able to apply the models studied successfully and automatically, without the need for prior knowledge of the behavior of the time series to be modeled.

On the other hand, thanks to various computer tools described in this work, it is possible to implement, diagnose and visualize the application of these models.

Finally, for each of the time series in this TFG, a model with significant prediction power has been applied.