Predicción de series de tiempo con descomposición empírica en modos, algoritmo genético y redes neurales artificiales

Abstract

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.