Comparación de Redes Neuronales aplicadas a la predicción de Series de Tiempo.
DOI:
https://doi.org/10.15665/rp.v13i2.491Palabras clave:
Redes neuronales artificiales, Predicción, Series de tiempo, Perceptrón multicapa, Funciones de base radial.Resumen
El presente estudio tiene como objetivo principal presentar la comparativa de las redes neuronales artificiales (RNA) tipo perceptrón multicapa (MLP) y de funciones de base radial (RBF) aplicadas a la predicción de series de tiempo. Se utilizó resilient backpropagation como algoritmo de aprendizaje para la red MLP y una combinación entre el algoritmo de los k-emanes y el método de la matriz pseudoinversa para la RBF. La implementación de las RNA se realizó utilizando un sistema basado en arquitectura cliente-servidor, previendo una futura integración con aplicaciones en tiempo real. Para la evaluación de las RNA se utilizaron conjuntos de datos de diferentes características y cantidad de datos.De acuerdo
a los resultados obtenidos se concluye que para la utilización e integración de técnicas de inteligencia computacional en sistemas web, es preferible el uso de las RBF, debido a que obtiene mejores tiempos de ejecución. Es importante resaltar también que en calidad de respuesta los dos tipos de redes neuronales
obtienen resultados similares.
Citas
M. Nasir, (1993, August) Time Series Modelling
and Prediction Using Neural Networks. Masters thesis.
Universiti Teknologi Mara.
T. Koskela, M. Lehtokangas, J. Saarinen & K. Kaski.
(1996, September) Time Series Prediction with Multilayer
Perceptron, FIR and Elman Neural Networks.
Presentado en World Congress on Neural Networks.
[En Línea] Disponible: <http://citeseerx.ist.psu.edu/
viewdoc/download;jsessionid=8E47EA4845D879E42
A9706E58EB6C2?doi=10.1.1.35.1631&rep=rep1&ty
pe=pdf>.
F. Villa, (2010, Octubre) Modelado y Predicción del
Precio de la Electricidad en Mercados de Corto Plazo
Liberalizados Usando Redes Cascada Correlación. Tesis
de Maestría. Universidad Nacional de Colombia.
V. Ribeiro, Goldschmidt R. & Choren R., “Métodos
para Previsão de Séries Temporais e suas Tendências
de Desenvolvimento”, Monografías en Sistemas e
Computação, 3, 1-26, 2009.
A. Saranli, B. Baykal, (2010) Chaotic Time-Series
Prediction and the Relocating-LMS (RLMS) Algorithm
for Radial Basis Function Networks [Internet], Imperial
College of Science. Disponible desde:
www.eurasip.org/Proceedings/Eusipco/1996/paper/
pas_8.pdf> [Acceso 20 de Octubre 2014]
M. Filipetto, (2001, Marzo) Predição Não-Linear
de Séries Temporais Usando Redes Neurais RBF por
Descomposição em Componentes Principais. Tese de
Doutorado. Universidad Estadual de Campinas. Faculdade
de Engenharia Elétrica e de Computação.
C. Fajardo, D. González, B. Soto & F. Fernández-Riverola,
“Water flows modelling and forecasting using
a RBF neural network”, Sistemas y Telemática, 6 (12),
-31, 2008.
J.D. Velásquez & C.J. Franco, “Pronóstico de series
de tiempo con tendencia y ciclo estacional usando el
modelo airline y redes neuronales artificiales”, Ingeniería
y Ciencia, 8 (15), 171-189, 2012.
J. Velásquez, D. Isaac & R. Souza, “Ingeniare Spot
Price Modelling in Brasil Using an Autoregressive
Neural Network”, Revista Chilena de Ingeniería, 6 (3),
-403, 2008.
J. Velazquez, C. Zambrano & L. Velez, “ARNN: A
packages for time series forecasting using autoregressive
neural netowork”, Revista Avances en Sistemas e
Informática, 8 (2), 177-181, 2011.
P. Watta, M. Hassoun & N. Dannug, (1996) A
Backprop Learning Tool for Function Approximation
[Internet], Wayne State University. Disponible desde:
<http://neuron.eng.wayne.edu/bpFunctionApprox/
bpFunctionApprox.html>[Acceso 21 de Octubre
.
M. Manic, B. Wilamowki & A. Malinowski.
(2002, November) IEEE 2002 28th Annual Conference
of the Industrial Electronics Society, [En Línea].
Disponible: http://ieeexplore.ieee.org/xpl/article-
Details.jsp?tp=&arnumber=1182851&url=http%3
A%2F%2Fieeexplore.ieee.org%2Fxpls%2Fabs_all.
jsp%3Farnumber%3D1182851.
I. Chaman, (2010, Septiembre) Integración Numérica
con Redes Neuronales. Tesis de Pregrado. Benemérita
Universidad Autónoma de Puebla. Facultad de
Ciencias de la Computación.
J. Montaño, (2002, Septiembre) Redes Neuronales
Artificiales aplicadas al Análisis de Datos. Tesis Doctoral.
Universitat de les Illes Balears. Facultad de Psicología.
M.F. Bouami, (2005, Julio) Desarrollo y Optimización
de Nuevos Modelos de Redes Neuronales Basadas
en Funciones de Base Radial. Tesis Doctoral. Universidad
de Granada. Departamento de Arquitectura
y Tecnología de Computadores.
C. Fajardo, (2008, Julio) Sistema Inteligente para la
Estimación y Pronóstico de Caudales. Tesis Doctoral.
Universidad de Vigo. Departamento de Informática.
M. Arellano. (2001) Introducción al Análisis Clásico
de Series de Tiempo [Internet], Universidad de
Zaragoza. Disponible desde: <http://www.5campus.
com/leccion/seriest> [Acceso 22 de Octubre 2014].
M. Lichman. (2013) UCI Machine Learning Repository
[Internet], University of California. Disponible
desde: <http://archive.ics.uci.edu/ml> [Acceso 10 de
Agosto 2013].
Descargas
Número
Sección
Licencia
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
- Los autores/as ceden los derechos de autor y dan a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia de atribución de Creative Commons, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
- Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
- Se permite y recomienda a los autores/as a publicar su trabajo en Internet (por ejemplo en páginas institucionales o personales) antes y durante el proceso de revisión y publicación, ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado (vea The Effect of Open Access).
Instrucciones para el llenado de la Certificación de Originalidad y la Cesión de Derechos de Autor.
- Haga click aquí y baje el formulario de Certificación de Originalidad y la Cesión de Derechos de Autor.
- En cada uno de los campos para rellenar haga click y complete lo correspondiente.
- Una vez llenos los campos, copie al final su firma escaneada o firma digital. Favor ajustar el tamaño de la firma en el formulario.
- Finalmente, lo puede guardar como pdf y enviarlo a través de la palataforma OJS, como archivo complementario.
Si tiene dudas contáctenos, por favor.
