PRONOSTICANDO EL ÍNDICE ENSO VARIOS PASOS EN ADELANTE MEDIANTE TÉCNICAS DE MODELAMIENTO NO LINEAL
Se indica cómo manejar una gran base de datos consistente de series temporales no lineales, aplicando distintas técnicas de modelamiento no lineal a estas series. Aunque no existen guías explícitas de manipulación de series temporales no lineales en la profusa bibliografía actual, existen diferentes...
Guardado en:
| Autor principal: | |
|---|---|
| Lenguaje: | Spanish / Castilian |
| Publicado: |
Universidad de Tarapacá.
2010
|
| Materias: | |
| Acceso en línea: | http://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0718-33052010000300006 |
| Etiquetas: |
Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| Sumario: | Se indica cómo manejar una gran base de datos consistente de series temporales no lineales, aplicando distintas técnicas de modelamiento no lineal a estas series. Aunque no existen guías explícitas de manipulación de series temporales no lineales en la profusa bibliografía actual, existen diferentes enfoques que pueden ser tomados en cuenta. Para ello se estudió una base de datos mensual correspondiente a datos del Fenómeno del Niño (ENSO), entre los años 1866 y 2006. Se explica cómo debe manipularse esta base de datos que poseen características de no linealidad, la cual será usada para hacer pronósticos varios pasos en adelante. Se aplicaron dos test estándar: Información Mutua Promedio (AMI) y Falsos Vecinos más Cercanos (FNN). Se obtuvo el espaciamiento óptimo de los datos, así como el número de datos hacia atrás necesarios para pronosticar valores hacia el futuro. Luego, se diseñaron varios modelos de redes neuronales artificiales (RNA), con diferentes reglas de aprendizajes, funciones de transferencia, elementos de procesamiento (o neuronas) en la capa escondida, etc., que permitieron hacer pronóstico de hasta 20 pasos en adelante. Las mejores redes correspondieron a aquellas que poseían como regla de aprendizaje la Regla Delta y la Regla Extendida, con función de transferencia sigmoide y tangente hiperbólica. El tipo de RNA usada fue una de multicapas alimentada hacia adelante y entrenada mediante la técnica de propagación hacia atrás. Se probaron redes con una, dos capas ocultas y sin ninguna capa. El mejor modelo que se obtuvo resultó ser uno consistente de una capa oculta. |
|---|