Comparación de Redes Neuronales aplicadas a la predicción de Series de Tiempo.
DOI:
https://doi.org/10.15665/rp.v13i2.491Keywords:
Redes neuronales artificiales, Predicción, Series de tiempo, Perceptrón multicapa, Funciones de base radial.Abstract
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.
References
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].
Downloads
Issue
Section
License
The authors to publish in this journal agree to the following conditions:
- The authors transfer the copyright and give the the journal first publication right of the work registered with Creative Commons Attribution License, which allows third parties to use the published work on the condition of always mentioning the authorship and first publication in this journal.
- The authors may perform other independent and additional contractual arrangements for the non-exclusive distribution of the version of the article published in this issue (E.g., Inclusion in an institutional repository or publication in a book), it must be indicated clearly that the work was first published in this journal.
- It allows and encourages the authors to publish their work online (eg institutional or personal pages) before and during the review and publication process. It can lead to productive exchanges and greater and faster dissemination of the published work (see The Effect of Open Access)
Instructions to fill out Certificate of Originality and Copyright Assignment
- Click here and get the forms of Certificate of Originality and Copyright Assignment .
- In each field to fill out, click and complete the corresponding information.
- Once the fields are filled out, at the end of the form copy your scanned signature or digital signature. Please adjust the size of the signature on the form.
- Finally, you can save them as pdf files and send them through the OJS platform as an attachment.
