Resumen

En el presente artículo se busca diseñar un modelo no lineal para el análisis y predicción de la serie de tiempo del precio externo del café colombiano utilizando Redes Neuronales Artificiales. El objetivo es comparar los alcances y limitaciones de este modelo frente a un modelo clásico de predicción lineal ARIMA.

INTRODUCCIÓN

El precio internacional del café presenta variaciones importantes año a año; los factores a los que se ha asociado la inestabilidad del precio externo se refieren a condiciones climáticas, acuerdos internacionales y acumulación de existencias por parte de los países consumidores y productores, los cuales a su vez generan reducciones de oferta. Todo esto genera un riesgo importante para aquellos países en desarrollo, como Colombia, cuyo sector exportador se encuentra concentrado, en parte, en este tipo de bien. La posibilidad de predecir el comportamiento del precio internacional del café, se convierte, pues, en una herramienta fundamental en el manejo de la política cafetera.

Modelos matemáticos han sido diseñados para el tratamiento de este tipo de problemas. El más conocido es el Proceso Autorregresivo Integrado de Media Móvil (ARIMA), comúnmente conocido como la metodología de Box-Jenkins (1976). Este método de predicción, que se utiliza muy frecuentemente, se fundamenta en el supuesto implícito de la linealidad del sistema que generan la trayectoria de las variables.

REDES NEURONALES ARTIFICIALES

Una red neuronal es un modelo computacional, que recientemente ha generado un gran entusiasmo, tanto en Colombia como en el resto del mundo, por sus capacidades potenciales, la cual posee una arquitectura masivamente paralela que trata de emular la estructura neuronal del cerebro humano, consta de varias unidades sencillas que trabajan en paralelo sin un control central.

Existe una gran variedad de tipos de estructuras de redes neuronales; la principal diferencia está entre las redes de prealimentación y las redes recurrentes. En las primeras las conexiones son unidireccionales y no hay ciclos. En las recurrentes, las conexiones pueden formar topologías arbitrarias. Las redes de prealimentación con niveles fueron estudiadas por primera vez, por Rosenblatt y otros más, a finales de la década de los cincuenta bajo el nombre de perceptrones. Si bien se sometieron a estudio redes de todos los tamaños y topologías, el único elemento de aprendizaje efectivo en esa época fueron las redes de un solo nivel, por lo que en ellas fue concentrada la mayor parte de la atención. En la figura 1 mostramos un ejemplo muy sencillo de una red de prealimentación con dos niveles.

Actualmente el nombre perceptrón es empleado como sinónimo de una red de prealimentación con un solo nivel y es una función de la forma:

y_t = A (W_t ⋅ a_t),  (2.1)

donde W_t y at son vectores cada uno de tamaño k × 1 y A es la función de activación. 

• Materias:Inteligencia artificial Estudio de tiempos Redes neuronales (Computadores)
• Subjects:Artificial intelligence Time study Neural networks (Computer science)
• Palabras claves:Serie de tiempo, ARIMA, Red Neuronal Artificial
• Keywords:Time-series, ARIMA, Artificial Neural Networks.