Comparación de comportamiento de redes neuronales recurrentes con otros métodos en pronósticos con series de tiempo – caso series hidrológicas.

dc.contributor.authorFajardo-Toro, Carlos Hernan
dc.contributor.authorCobo, Luis
dc.contributor.authorMartinez-Sánchez, Paloma María Teresa
dc.date.accessioned2020-05-12T16:56:14Z
dc.date.available2020-05-12T16:56:14Z
dc.date.issued2020
dc.description.abstractUna de las actividades fundamentales en cualquier organización para poder realizar sus procesos de planifcación y presupuestos es la elaboración de pronósticos. Para lograr lo anterior, los responsables de esto deben aplicar técnicas o modelos las cuales pueden ser cualitativos, cuantitativas o una mezcla de ambos. En cuanto a las técnicas cuantitativas, los modelos pueden causales o de series de tiempo, dependiendo de cómo se manejen los datos, manejo que va acorde a como se enfoque el problema. Para ambos casos se utilizan técnicas estadísticas, pero también técnicas de Inteligencia Artifcial o adaptativas tales como las redes neuronales o la hibridación de diferentes técnicas. Este artículo se centra en modelos y técnicas para pronósticos de series de tiempo, y para ello presenta una comparación del comportamiento de las redes neuronales recurrentes – RNN tipo Elman contra otras técnicas estadísticas, así como y otras arquitecturas de redes tales como redes perceptrón multicapa o multi-layer perceptron - MLP, FeedForward de una capa, redes de base radial o Radial Basis Function - RBF y una red modular compuesta de redes MLP. Esto se aplica para el cálculo de pronóstico de caudales.spa
dc.description.abstractenglishOne of the fundamental activities of any organization to be able to carry out its planning processes and budgets is the preparation of forecasts. To achieve this, those responsible for the planifcation must apply techniques or models. These models can be qualitative, quantitative or a mixture of both. As for quantitative techniques, the models can be causal or for time series analysis; this depending on how the data is handled, according to how the problem is approached. For both cases statistical techniques are used, but also Artifcial intelligence techniques such as neural networNs or the hybridization of diɣerent techniques. This article focuses on models and techniques for time series forecasts, showing a comparison of the behavior of recurrent neural networks, Elman type, against other statistical techniques and diɣerent neural networN architectures such as Multilayer perceptron - MLP, single layer FeedForward, Radial Basis Function netework - RBF and a modular network composed of MLP networks.eng
dc.format.mimetypeapplication/pdf
dc.identifier.issn1646-9895
dc.identifier.urihttps://hdl.handle.net/20.500.12495/2621
dc.language.isospa
dc.publisherAssociacao Iberica de Sistemas e Tecnologias de Informacao (AISTI)spa
dc.publisher.journalRISTI - Revista Iberica de Sistemas e Tecnologias de Informacao, 1646-9895, Vol. E17, 2020, p 1022-1034spa
dc.relation.urihttps://ojs.uac.edu.co/index.php/prospectiva/article/view/491
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 International*
dc.rights.creativecommons2015
dc.rights.localAcceso abiertospa
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectPronósticosspa
dc.subjectSeries de tiempospa
dc.subjectElman-Jordanspa
dc.subject.decsRed nerviosaspa
dc.subject.decsRedes neurales (Computación)spa
dc.subject.decsInteligencia artificialspa
dc.subject.keywordsForecastsspa
dc.subject.keywordsTime seriesspa
dc.subject.keywordsElman-Jordanspa
dc.titleComparación de comportamiento de redes neuronales recurrentes con otros métodos en pronósticos con series de tiempo – caso series hidrológicas.spa
dc.title.translatedComparación de comportamiento de redes neuronales recurrentes con otros métodos en pronósticos con series de tiempo – caso series hidrológicas.spa
dc.typearticlespa
dc.type.hasversioninfo:eu-repo/semantics/publishedVersion
dc.type.localartículospa

Archivos

Bloque original
Mostrando 1 - 1 de 1
Cargando...
Miniatura
Nombre:
Carlos Hernán Fajardo-Toro_2019.pdf
Tamaño:
707.22 KB
Formato:
Adobe Portable Document Format
Descripción:
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descripción:

Colecciones