Forecasting time series by using deep neural networks /
Vega Arellano, Oscar Andrés
Forecasting time series by using deep neural networks / Oscar Andrés Vega Arellano ; tutor Oscar Guillermo Chang Tortolero - 73 hojas : ilustraciones (algunas a color) ; 30 cm + 1 CD-ROM
Trabajo de integración curricular
Incluye referencias bibliográficas (páginas 47-50)
Trabajo de integración curricular con acceso abierto
Texto (Hypertexto links)
El análisis de predicciones y series de tiempo juegan un papel importante en muchas aplicaciones como redes complejas, predicción de la demanda, financieras, respuesta de pacientes a medicamentos recetados, etc. En general, los datos de series de tiempo se comportan como un proceso altamente no lineal a causa de su naturaleza estocástica; por ejemplo, predecir los datos de índices de exportaciones es muy desafiante ya que estos datos son registrados diariamente, semanalmente o incluso mensualmente. Recientemente varias técnicas de predicci\'on mejoradas basadas en Inteligencia Artificial y Redes Neuronales Profundas han aparecido demostrando una excelente precisión. Este trabajo explora la combinación de varias técnicas de Redes Neuronales Profundas (DNN en inglés) como Perceptrón Multicapa (MLP en inglés), Memoria de Largo Plazo (LSTM en inglés) and Redes Neuronales Convolucionales (CNN en inglés) para la predicción de series de tiempo con el uso de la técnica de ventana deslizante. El conjunto de datos utilizado pertenece a las exportaciones de banano ecuatoriano, el cual está almacenado en la base de datos del Banco Central del Ecuador, y contiene el registro mensual de las exportaciones de banano hechas durante un periodo de 20 años. Los experimentos fueron llevados a cabo en Python 3 con Tensorflow & Keras, los cuales nos permiten combinar la capacidad de inferencia de estas redes. Finalmente, los resultados son analizados al comparar el número de parámetros por entrenar, tamaño de ventana deslizante y valores de la raíz del error cuadrático medio (RMSE en inglés) entre seis modelos: tres modelos sequenciales como MLP, LSTM y CNN, y tres modelos no secuenciales que combinan MLP, LSTM y CNN en una estructura paralela. Los principales resultados de esta investigación muestran que al combinar dos DNN en una estructura paralela la complejidad computacional disminuye y la capacidad de inferencia e predicción en la tarea de predicción de series de tiempo mejora.
Textos en inglés con resúmenes en español e inglés
Perceptron multicapa
Memoria de largo plazo
Long Short-Term Memory
Tecnologías de la Información--Trabajos y disertaciones académicas
Forecasting time series by using deep neural networks / Oscar Andrés Vega Arellano ; tutor Oscar Guillermo Chang Tortolero - 73 hojas : ilustraciones (algunas a color) ; 30 cm + 1 CD-ROM
Trabajo de integración curricular
Incluye referencias bibliográficas (páginas 47-50)
Trabajo de integración curricular con acceso abierto
Texto (Hypertexto links)
El análisis de predicciones y series de tiempo juegan un papel importante en muchas aplicaciones como redes complejas, predicción de la demanda, financieras, respuesta de pacientes a medicamentos recetados, etc. En general, los datos de series de tiempo se comportan como un proceso altamente no lineal a causa de su naturaleza estocástica; por ejemplo, predecir los datos de índices de exportaciones es muy desafiante ya que estos datos son registrados diariamente, semanalmente o incluso mensualmente. Recientemente varias técnicas de predicci\'on mejoradas basadas en Inteligencia Artificial y Redes Neuronales Profundas han aparecido demostrando una excelente precisión. Este trabajo explora la combinación de varias técnicas de Redes Neuronales Profundas (DNN en inglés) como Perceptrón Multicapa (MLP en inglés), Memoria de Largo Plazo (LSTM en inglés) and Redes Neuronales Convolucionales (CNN en inglés) para la predicción de series de tiempo con el uso de la técnica de ventana deslizante. El conjunto de datos utilizado pertenece a las exportaciones de banano ecuatoriano, el cual está almacenado en la base de datos del Banco Central del Ecuador, y contiene el registro mensual de las exportaciones de banano hechas durante un periodo de 20 años. Los experimentos fueron llevados a cabo en Python 3 con Tensorflow & Keras, los cuales nos permiten combinar la capacidad de inferencia de estas redes. Finalmente, los resultados son analizados al comparar el número de parámetros por entrenar, tamaño de ventana deslizante y valores de la raíz del error cuadrático medio (RMSE en inglés) entre seis modelos: tres modelos sequenciales como MLP, LSTM y CNN, y tres modelos no secuenciales que combinan MLP, LSTM y CNN en una estructura paralela. Los principales resultados de esta investigación muestran que al combinar dos DNN en una estructura paralela la complejidad computacional disminuye y la capacidad de inferencia e predicción en la tarea de predicción de series de tiempo mejora.
Textos en inglés con resúmenes en español e inglés
Perceptron multicapa
Memoria de largo plazo
Long Short-Term Memory
Tecnologías de la Información--Trabajos y disertaciones académicas