Por favor, use este identificador para citar o enlazar este ítem:
http://cicese.repositorioinstitucional.mx/jspui/handle/1007/2971| Predicción de series de tiempo aplicando redes neuronales artificales Time series prediction by artificial neural networks | |
| Miguel Angel Pérez Chavarría | |
| Jose De Jesus Ibarra Villaseñor | |
| Acceso Abierto | |
| Atribución | |
| Redes neurales, Predicción, Ciencias del mar, Análisis de series de tiempo, Time series analysis, Neural networks, Forecasting, Marine sciences | |
| En este trabajo se aplicaron algoritmos basados en redes neuronales artificiales (RNA) para la predicción de series temporales de las variables oceanográficas altura significativa del oleaje (Hs), índice de oscilación del sur (IOS) y anomalía de temperatura superficial del mar (ATSM). Se probaron tres tipos diferentes de redes, las RNRT, las RNR y las RNRFI, encontrando que las últimas fueron las que produjeron las mejores predicciones. Para determinar qué arquitectura de la RNRFI tenía el mejor comportamiento, se hicieron experimentos variando los diferentes parámetros de la red, y se encontró que para series de Hs la red debe conformarse de una capa de entrada con una neurona y un filtro de orden 34, dos capas ocultas cada una con 12 neuronas con filtros de orden 8 y una capa de salida con una neurona. Para el caso de series temporales de IOS y ATSM la red se construyó con una capa de entrada con una neurona y un filtro de orden 10, dos capas ocultas con 8 neuronas en cada una de ellas y filtros de orden 5 y una capa de salida con una neurona. Todas las redes fueron entrenadas con el algoritmo de aprendizaje de retropropagación, usando la sigmoide como función de activación y una razón de aprendizaje de 0.001. Dè acuerdo a los experimentos realizados se puede observar que en la mayoría de los casos se obtuvo un error cuadrático medio normalizado, de alrededor de 0.4±0.1 y un coeficiente de correlación entre la serie original y la predicha mayor que 0.8. Estos resultados son válidos en la predicción hasta de veinte datos, cuya utilidad dependerá de la escala temporal del fenómeno. Por ejemplo, para el caso de los fenómenos que se estudiaron en esta tesis, predecir veinte datos de Hs tendrá sentido para algunas aplicaciones, pues equivale a pronosticar uno o dos días. Para el fenómeno de El Niño, las series de tiempo analizadas tienen un intervalo de muestreo mensual, esto significa que veinte datos equivalen a una predicción de año y medio. De la comparación que se hace con otros métodos para la predicción de la ATSM se puede observar que las RNA tuvieron un mejor comportamiento, considerando predicciones a corto plazo. In this work artificial neural network (ANN) algorithms are used to predict time series of the oceanographic variables significant wave height (Hs), southern oscillation index (SOI) and sea surface temperature anomaly (SSTA). Three types of neural networks were applied, namely TDNN, RNN and FIRNN; it was found the latter produced the best results. In order to determine the most efficient FIRNN architecture some experiments were made varying different parameters. It was found that for Hs series, the network has to be built as follows: one input neuron with an 34th order filter, two hidden layers with twelve neurons each, with 8th order filters and one output neuron. For the SIO and the SSTA the network was build with one input neuron with an 10th order filter, two hidden layers with 8 neurons each, with 5th order filters and one output neuron. All the networks were trained using the backpropagation learning algorithm, a sigmoide as activation function and a learning rate of 0.001 were chosen. In most experiments a normalized mean square error of 0.4±0.1 and a correlation coefficent between the original and the predicted series greater than 0.8 were found. These results are valid just for the first twenty forecasted data and their usefulness depends on the specific phenomenon time scale. For instance, for the parameters studied in this work, the prediction of twenty Hs data would make sense for some applications, since it means to forecast one or two days. For the ENSO, the studied time series have a monthly sampling interval, which means that twenty data correspond to a year and a half forecast. From the comparison with other SSTA prediction methods it is concluded that the neural networks had better results in case of short term forecastings. | |
| CICESE | |
| 1999 | |
| Tesis de maestría | |
| Español | |
| Pérez Chavarría, M. A. 1999.Predicción de series de tiempo aplicando redes neuronales artificales. Tesis de Maestría en Ciencias. Centro de Investigación Científica y de Educación Superior de Ensenada, Baja California. 41 pp. | |
| OCEANOGRAFÍA | |
| Aparece en las colecciones: | Tesis - Oceanografía Física |
Cargar archivos:
| Fichero | Tamaño | Formato | |
|---|---|---|---|
| 125621.pdf | 19.15 MB | Adobe PDF | Visualizar/Abrir |