Comparación de Redes Neuronales aplicadas a la predicción de Series de Tiempo.

Darwin Mercado Polo
Luis Pedraza Caballero
Edinson Martínez Gómez


DOI: http://dx.doi.org/10.15665/rp.v13i2.491

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.


Palabras clave


Redes neuronales artificiales; Predicción; Series de tiempo; Perceptrón multicapa; Funciones de base radial.

Texto completo:

PDF

Referencias


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:

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:

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:

com/leccion/seriest> [Acceso 22 de Octubre 2014].

M. Lichman. (2013) UCI Machine Learning Repository

[Internet], University of California. Disponible

desde: [Acceso 10 de

Agosto 2013].


Enlaces refback

  • No hay ningún enlace refback.


Licencia Creative Commons
Este trabajo esta licenciado bajo una Licencia Internacional Creative Commons Atribución-NoComercial-SinDerivados 4.0.

 

ISSN : 1692-8261 Versión impresión
ISSN : 2216-1368 Versión Web

RedesRepositorio UACRedes Sociales
 


Licenciada bajo: