Resumen

Esta investigación tiene como objetivo establecer un nuevo enfoque híbrido de inteligencia artificial (IA), denominado como regresión de vectores de soporte de mínimos cuadrados ajustados por luciérnagas para la predicción de series temporales. El modelo propuesto utiliza la regresión de vectores de soporte de mínimos cuadrados (LS-SVR) como técnica de aprendizaje supervisado para generalizar la función de mapeo entre la entrada y la salida de los datos de series temporales. Para optimizar los parámetros de ajuste de LS-SVR, se incorpora el algoritmo de luciérnagas (FA) como motor de búsqueda. En consecuencia, el nuevo modelo construido puede aprender de datos históricos y llevar a cabo predicciones de forma autónoma sin necesidad de conocimientos previos en la configuración de parámetros. Los resultados experimentales y las comparaciones han demostrado que el modelo ha logrado una mejora significativa en la precisión de pronóstico al predecir tanto datos de series temporales artificiales como del mundo real. Por lo tanto, el enfoque

• Materias:Diagnóstico de fallas Automatización de programas Programador de colas Modelo de descomposición Agentes de fusión
• Subjects:Fault diagnosis Program automation Queue scheduler Decomposition model Fusion Agents
• Palabras claves:Inteligencia artificial híbrida; Regresión de vectores de soporte de mínimos cuadrados ajustada por luciérnagas; Predicción de series temporales; Regresión de vectores de soporte de mínimos cuadrados; Algoritmo de luciérnaga; Precisión de pronóstico
• Keywords:Hybrid artificial intelligence; Firefly-tuned least squares support vector regression; Time series prediction; Least squares support vector regression; Firefly algorithm; Forecasting accuracy