Resumen

Para superar la debilidad de los conjuntos de redes neuronales genéricas (NN) para la construcción de intervalos de predicción (PIs), en este estudio se propone un nuevo conjunto de redes neuronales distribuidas basado en un marco Map-Reduce, que consiste en varios NN gaussianos granulares locales (GGNNs). Cada red local está ponderada según su contribución al modelo de conjunto. El coeficiente ponderado se estima evaluando el rendimiento de los PIs construidos por cada red local. Se reporta un nuevo principio de evaluación con la consideración de los índices de predicción. Para estimar la incertidumbre del modelado y el ruido de los datos simultáneamente, se introduce el granular gaussiano en los NN numéricos. Los PIs construidos pueden entonces calcularse mediante la varianza de la distribución de salida de cada NN local, es decir, la suma de la varianza de la incertidumbre del modelo y la varianza del ruido de los datos. Para verificar la efectividad del modelo propuesto, se llevan a cabo una serie de experiment

• Materias:Modelo de tráfico Sistemas antifrágiles Sistemas multiagente Componentes complejos
• Subjects:Traffic model Anti-fragile systems Multiagent systems Complex components
• Palabras claves:Redes neuronales; Conjunto; Intervalos de predicción; Distribuido; Granular gaussiano; Incertidumbre
• Keywords:Neural networks; Ensemble; Prediction intervals; Distributed; Gaussian granular; Uncertainty