Aplicación de redes neuronales recurrentes profundas para la predicción y clasificación de series de tiempo

Abstract

El propósito de este proyecto es la implementación y aplicación de redes neuronales recurrentes profundas con herramientas de software libre y comercial como lo son TensorFlow y Matlab, esto con el objetivo de utilizar los diferentes algoritmos para la predicción y clasificación de series de tiempo, probando diferentes datasets para poder evidenciar el funcionamiento de estas redes neuronales y su aplicación en problemas reales, con ejemplos tales como la predicción de los números de casos de varicela en una comunidad o la clasificación de las diferentes señales de un electrocardiograma, entre otros posibles aplicativos

Para los ejemplos de predicción, mediante las herramientas de software previamente mencionadas, se implementan algoritmos que permiten usar los datos recopilados, creando con ellos diferentes datasets; uno utilizando los datos para poder predecir el número de casos de varicela de una comunidad y un dataset para la predicción del comportamiento de las acciones de la bolsa. Para los ejemplos de clasificación se implementan algoritmos que permiten al software usar los datos recopilados en el dataset que se obtiene con las lecturas de un electrocardiograma, para poder diferenciar una señal con ritmo normal de una señal con fibrilación atrial y un dataset para la clasificación de reviews de películas con información obtenida de iMDB.

Adicionalmente a los ejemplos ya mencionados, se realizó un ejemplo predicción, con la información recopilada de los paneles solares de la UAO para realizar el algoritmo de pronóstico del comportamiento de la radiación solar recibida por el panel y para el caso de clasificación se trabajó con la información de actividades físicas humanas para poder realizar el algoritmo que sea capaz de diferenciar las señales y clasificarlas apropiadamente. Las anteriores aplicaciones se realizaron en las plataformas seleccionadas para el proyecto (Matlab y Keras) permitiendo de esta manera una primera aproximación al manejo de la redes LSTM que se espera pueda ser usada en futuros proyectos

The purpose of this project is the implementation and application of deep recurrent neural networks with free and commercial software tools such as TensorFlow and Matlab, this with the aim of using the different algorithms for the prediction and classification of time series, testing different datasets to demonstrate the functioning of these neural networks and their applications in real problems, with examples suchas the prediction of the number of chickenpox cases in a community or the classification of the different signals of an electrocardiogram. among other posible applications. For the prediction examples, using the previously mentioned software tools, algorithms are implemented that allow the software to use the collected data, creating with them different datasets, one using a dataset to predict the number of chickenpox cases in a community and a dataset for the prediction of the behavior of the stock market; For the classification examples, algorithms are implemented that allow the software to use the data collected in the dataset obtained with the readings of an electrocardiogram to be able to differentiate a normal signal from a signal with atrial fibrillation and a dataset for the classification of movie reviews with information obtained from iMBD. In this project, what has been learned in the examples discussed above will be reflected in two different cases in order to leave the process evidenced and implement what has been learned; In the case of prediction, we will work with the information collected from the UAO solar panels to perform the forecast algorithm of the behavior of the solar radiation received by the panel and for the classification case we will work with the information from an activity dataset. human physics to be able to carry out the algorithm that is capable of differentiating the signals and classifying them appropriately