Prediction of time series using different types of forecasting methods enhanced with a meta-learning approach / Hugo Ernesto Betancourt Benavides ; Carlos Andrés Brito González ; tutor Rigoberto Salomón Fonseca Delago
Tipo de material:
TextoIdioma: Inglés Idioma del resumen: Español Fecha de copyright: Urcuquí, 2020Descripción: 90 hojas : ilustraciones (algunas a color) 30 cm + 1 CD-ROMTema(s): Recursos en línea: Nota de disertación: Trabajo de integración curricular (Ingeniero/a en Tecnologías de la Información) Universidad de Investigación de Tecnología Experimental Yachay. Urcuquí, 2020 Resumen: La selección de un modelo de predicción para una serie temporal con un comportamiento irregular generalmente requiere un humano experto; en muchas ocasiones no es posible tener este experto debido al tiempo o costo. Una máquina inteligente puede seleccionar el modelo de predicción analizando el rendimiento de los modelos, esta estrategia se conoce como meta-aprendizaje, en este trabajo se utilizó redes neuronales del tipo Feed -Forward y árboles de decisión para realizar modelos de meta-aprendizaje. Para realizar esta estrategia es necesario la selección de modelos basados en diferentes principios, de esta manera se provee variabilidad a la lista de métodos. Este trabajo propone el uso de predictores basados en redes neuronales como lo son FFNN y LSTM, además, de la inclusión de ARIMA un método estadístico clásico utilizado en la literatura. Es importante mantener en la lista siempre métodos con un desempeño alto que provean información relevante al aprendizaje. Esto fue posible con el uso de algoritmos genéticos que mejoran modelos de redes neuronales. Los resultados obtenidos demuestran que el uso de un enfoque de meta - aprendizaje, permite reducir el costo computacional sin disminutir el desempeño de la predicción.
| Tipo de ítem | Biblioteca actual | Signatura | Copia número | Estado | Fecha de vencimiento | Código de barras | Reserva de ítems | |
|---|---|---|---|---|---|---|---|---|
Tesis
|
Biblioteca Yachay Tech | ECMC0013 (Navegar estantería(Abre debajo)) | 1 | No para préstamo | T000080 |
Trabajo de integración curricular (Ingeniero/a en Tecnologías de la Información) Universidad de Investigación de Tecnología Experimental Yachay. Urcuquí, 2020
Incluye referencias bibliográficas (páginas 67-73)
Trabajo de integración curricular con acceso abierto
La selección de un modelo de predicción para una serie temporal con un comportamiento irregular generalmente requiere un humano experto; en muchas ocasiones no es posible tener este experto debido al tiempo o costo. Una máquina inteligente puede seleccionar el modelo de predicción analizando el rendimiento de los modelos, esta estrategia se conoce como meta-aprendizaje, en este trabajo se utilizó redes neuronales del tipo Feed -Forward y árboles de decisión para realizar modelos de meta-aprendizaje. Para realizar esta estrategia es necesario la selección de modelos basados en diferentes principios, de esta manera se provee variabilidad a la lista de métodos. Este trabajo propone el uso de predictores basados en redes neuronales como lo son FFNN y LSTM, además, de la inclusión de ARIMA un método estadístico clásico utilizado en la literatura. Es importante mantener en la lista siempre métodos con un desempeño alto que provean información relevante al aprendizaje. Esto fue posible con el uso de algoritmos genéticos que mejoran modelos de redes neuronales. Los resultados obtenidos demuestran que el uso de un enfoque de meta - aprendizaje, permite reducir el costo computacional sin disminutir el desempeño de la predicción.
Texto en inglés con resúmenes en español e inglés
No hay comentarios en este titulo.