Predicción de series de tiempo aplicando redes neuronales artificiales

Resumen

En este trabajo se presentan algoritmos basados en redes neuronales artificiales (RNA) para la predicción de series temporales de las variables oceanográficas Índice de Oscilación del Sur (IOS) y anomalías de temperatura superficial del mar (ATSM). Se realizaron experimentos de predicción utilizando la arquitectura de redes neuronales conocida como redes con respuesta finita al impulso (RNRFI). Se hicieron experimentos variando los diferentes parámetros de la RNRFI, para determinar aquéllos que permitieran un mejor comportamiento. Se encontró que para series temporales del IOS y las ATSMs los mejores resultados se presentan al conformar una RNRFI con una neurona de entrada, filtros de orden 10 en la capa de entrada, dos capas posteriores de 8 neuronas con filtros de orden 5 para cada una de ellas, y una neurona de salida. Todas las redes fueron entrenadas con el algoritmo de aprendizaje retropropagación temporal, usando la sigmoide como función de activación en las capas ocultas y salida lineal. La razón de aprendizaje usada fue de 0.001. En la mayoría de los experimentos realizados se obtuvo un error cuadrático medio normalizado de 0.4 ± 0.1 y un coeficiente de correlación mayor que 0.8 entre la serie original y la predicha. Para el caso de las ATSMs, se observó que las RNA tuvieron un mejor comportamiento que otros métodos de predicción, considerando predicciones a corto plazo.