Resumen

La regresión simbólica se ha utilizado para inferir fórmulas matemáticas con el fin de resolver problemas complejos de predicción y clasificación. En este artículo, se propone un modelo de sistema complejo de valores (CVSS, por sus siglas en inglés) para predecir datos de series temporales de valores reales. En un modelo CVSS, las variables de entrada y las constantes de tasa son de valores complejos. Los datos de series temporales deben ser traducidos a números complejos. Se propone un algoritmo evolutivo híbrido basado en un árbol aditivo restringido de valores complejos y el algoritmo de luciérnagas para buscar el modelo CVSS óptimo. Se recopilan tres conjuntos de datos de series temporales financieras y series temporales caóticas de MackeyGlass para evaluar nuestro método propuesto. Los resultados experimentales muestran que los datos predichos son muy cercanos a los objetivos y que nuestro método podría obtener un mejor desempeño en RMSE, MAP, MAPE, POCID y ARV que ARIMA, la

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Regresión simbólica; Fórmulas matemáticas; Modelo de sistema S de valores complejos; Datos de series temporales; Algoritmo evolutivo híbrido; Series temporales financieras.
• Keywords:Symbolic regression; Mathematical formulas; Complex-valued S-system model; Time series data; Hybrid evolutionary algorithm; Financial time series.