Thesis
Predicción de series de tiempo con descomposición empírica en modos, algoritmo genético y redes neurales artificiales
Fecha
2008-11-05Registro en:
Landassuri Moreno, Víctor Manuel. (2006). Predicción de series de tiempo con descomposición empírica en modos, algoritmo genético y redes neurales artificiales. (Maestría en Ciencias de la Computación). Instituto Politécnico Nacional, Centro de Investigación en Computación. México.
Autor
Landassuri Moreno, Víctor Manuel
Institución
Resumen
RESUMEN: En este trabajo se presenta la predicción de Series de Tiempo usando una
técnica de análisis de señales llamada Descomposición Empírica en Modos
(EMD), la cual proporciona más información del problema, para poder
obtener una predicción más precisa. Se utiliza un algoritmo llamado GANN
para diseñar arquitecturas de Redes Neuronales Artificiales (ANNs) utilizando
Algoritmo Genético (GA). Las encargadas de realizar la predicción son las
ANNs y su entrenamiento es realizado con el algoritmo de Levenberg-
Marquardt, el cual está considerado como el más eficiente, cuando las Redes
son de tamaño moderado (no sobrepasan unos cuantos cientos de pesos),
además, está catalogado como un algoritmo de segundo orden, sin tener que
calcular la segunda derivada. La evaluación de la predicción es llevada a cabo
con: Raíz Cuadrada del Error Cuadrático Medio (RMSE) y Raíz Cuadrada del
Error Cuadrático Normalizado (NRMS), usando predicción iterada y directa.
Los resultados muestran que el usar Descomposición Empírica en Modos,
puede ayudar a las Redes Neuronales a obtener predicciones más precisas,
para la mayoría de las Series de Tiempo caóticas y complejas; también se
puede determinar, que el algoritmo GANN es eficiente al automatizar la
búsqueda de dichas Redes Neuronales, permitiendo predicciones muy precisas
en diversas Series de Tiempo. ABSTRACT: In this work the Time Series forecasting is presented by using a signal analysis
technique called Empirical Mode Decomposition (EMD), which provides
more information about the problem, to be able to obtain more accurate
forecasting. An algorithm called GANN is used to design Artificial Neural
Networks (ANNs) architectures using Genetic Algorithm (GA). The
forecasting is charged to ANNs and its training is made with the Levenberg-
Marquardt algorithm, which is considered like the most efficient, when the
Network’s size is moderate (they do not exceed a little hundreds of weights),
moreover, its cataloged like a second order algorithm, without having to
calculate the second derived. The performance evaluation is made with: Root
Mean Square Error (RMSE) and Normalized Root Mean Square Error
(NRMS), using iterated and direct forecasting. The result shows that using
Empirical Mode Decomposition can help to the Neural Networks to obtain a
more accurate forecasting, for the most chaotic and complex Time Series; also
it is possible to determine, that GANN algorithm is efficient to automate the
search of such Artificial Networks, allowing an accurate forecasting of diverse
Time Series.