Resumen

Las herramientas de identificación de sistemas y previsión de series temporales permiten diseñar modelos matemáticos basados en datos numéricos. El problema esencial en estos casos es determinar el modelo matemático adecuado. Este artículo presenta el diseño de una red neuronal de función de base radial (RN-RBF) para la predicción de series temporales. Cuando se utiliza la RN-RBF para predecir sistemas no lineales, resulta difícil determinar un conjunto adecuado de centros y valores atípicos para las funciones de activación gaussianas con el fin de obtener una buena estructura. En este trabajo, la configuración del RN-RBF se basa en un enfoque híbrido basado en el método de agrupación de datos de Gustafson-Kessel y en un procedimiento de optimización mediante evolución diferencial. El diseño del RN-RBF se valida para la predicción anticipada de los precios de la pulpa de eucalipto y de los troncos de aserradero para ilustrar la eficacia del enfoque híbrido propuesto. Además, en este artículo se presenta y discute el rendimiento del diseño RN-RBF basado en los resultados de la predicción.

1. INTRODUCCIÓN

​La identificación de sistemas no lineales es un área de investigación relevante en diversos campos del conocimiento. Uno de los objetivos de la identificación de sistemas es obtener un modelo matemático de un sistema dinámico desconocido, con el fin de predecir y/o comprender el comportamiento de dicho sistema dinámico.

La representación dinámica de un sistema dinámico es esencial para el desarrollo de sistemas computacionales de identificación y predicción del comportamiento dinámico de sistemas complejos. Las técnicas clásicas de predicción de series temporales Holt, Winters, Holt-Winters, modelos Auto-Regresivos (AR), Box-Jenkins, Auto-Regresivo Generalizado Condicionalmente Heteroscedástico (GARCH), entre otras suelen implementarse considerando la hipótesis de un "buen" conocimiento de la dinámica de la serie temporal y la posible presencia de características de tendencia, estacionalidad y nivel (MORETTIN; TOLOI, 1987; BOX et al., 1994; JENKINS, 1994; BERENSON; LEVINE, 1999). Sin embargo, estas técnicas no suelen generar resultados satisfactorios cuando se aplican a sistemas dinámicos no lineales y/o con comportamiento caótico, que se modelizan como procesos lineales (KANTZ; SCHREIBER, 1997).

La teoría y la práctica de la identificación de sistemas lineales están bien establecidas en la literatura (LJUNG, 1987), sin embargo, el uso de modelos matemáticos lineales para representar sistemas no lineales es limitado, ya que dichas representaciones no pueden reproducir el comportamiento dinámico, 

• Materias:Modelo Matemático Modelo de predicción Modelo de optimización Redes neuronales artificiales
• Subjects:Mathematical model Prediction modeling Optimization model Artificial neural networks
• Palabras claves:Series de tiempo; Pronósticos; Redes neuronales; Función de base radial; Evolución diferencial
• Keywords:Time series; Forecasting; Neural network; Radial basis function; Differential evolution