Resumen

Se propone un enfoque de pronóstico híbrido que combina la descomposición en modos empíricos (EMD, por sus siglas en inglés), la reconstrucción del espacio de fases (PSR, por sus siglas en inglés) y la máquina de aprendizaje extremo (ELM, por sus siglas en inglés) para los precios internacionales de los recursos de uranio. En la primera etapa, las series originales de precios de recursos de uranio se descomponen primero en un número finito de funciones de modo intrínseco independientes (IMFs, por sus siglas en inglés), con diferentes frecuencias. En la segunda etapa, las IMFs se componen en tres subseries basadas en la regla de reconstrucción de fino a grueso. En la tercera etapa, basándose en la reconstrucción del espacio de fases, se utilizan diferentes modelos ELM para modelar y pronosticar las tres subseries, respectivamente, de acuerdo con las escalas temporales características intrínsecas. Finalmente, en la cuarta etapa,

• Materias:Sistemas no lineales Dinámica no lineal Red de tráfico dinámico Algoritmo alométrico Sistema conmutado
• Subjects:Nonlinear systems Nonlinear dynamics Dynamic traffic network Allometric algorithm Switched system
• Palabras claves:Híbrido; Pronóstico; Descomposición en modos empíricos; Reconstrucción del espacio de fases; Máquina de aprendizaje extremo; Precios de recursos de uranio
• Keywords:Hybrid; Forecasting; Empirical mode decomposition; Phase space reconstruction; Extreme learning machine; Uranium resource prices