Resumen

Recientemente, Ghiassi, Saidane y Zimbra [Int J Forecasting, vol. 21, 2005, pp. 341-362] presentaron una red neuronal artificial de arquitectura dinámica (DAN2) para la predicción de series de tiempo, la cual se desempeña significativamente mejor que las redes neuronales tradicionales y que la metodología ARIMA. El objetivo principal de este artículo es demostrar que el modelo original DAN2 puede reescribirse como un modelo aditivo. Se muestra que la formulación propuesta tiene varias ventajas: se reduce el número total de parámetros por estimar, permite calcular todos los parámetros lineales usando mínimos cuadrados ordinarios y se mejora la búsqueda del óptimo global de la función de error usada para estimar los parámetros del modelo. A fin de confirmar la efectividad de nuestra aproximación, se estimaron dos modelos para una de las series de tiempo usadas como benchmark cuando el modelo DAN2 original fue propuesto. Los resultados indican que nuestra aproximación es capaz de encontrar modelos con una precisión similar o mejor respecto al modelo DAN2 original.

INTRODUCCIÓN

Las previsiones no lineales pueden ser más precisas que los modelos lineales cuando las series temporales presentan no linealidades. Los temas de investigación en este ámbito van desde el desarrollo de nuevos modelos de previsión hasta la comparación del rendimiento de los modelos para diferentes series temporales, con el objetivo de determinar la precisión del modelo en condiciones fijas.

Recientemente, Ghiassi y Saidane (2005) han desarrollado un nuevo tipo de red neuronal artificial denominada DAN2. Además, este modelo se utiliza para pronosticar seis series temporales no lineales que se suelen utilizar como puntos de referencia, y comparar la precisión de DAN2 con otros modelos (Ghiassi, Saidane y Zimbra, 2005). Las pruebas recogidas sugieren que el DAN2 tiene un mejor rendimiento que el enfoque ARIMA y las redes neuronales artificiales tradicionales (Ghiassi, Saidane y Zimbra, 2005). En un estudio posterior, Ghiassi, Zimbra y Saidane (2006) utilizan DAN2 para la previsión de la carga eléctrica a medio plazo y comparan las previsiones obtenidas con DAN2 con las calculadas con un ARIMA y un perceptrón multicapa. Ghiassi et al. concluyen que DAN2 supera a los modelos de la competencia. Gomes, Maia, Ludermir, Carvalho y Araujo (2006) proponen un nuevo modelo de previsión basado en la combinación de las previsiones obtenidas con el DAN2 y el enfoque ARIMA; las pruebas presentadas indican que el nuevo modelo supera las previsiones individuales obtenidas con el DAN2 y el ARIMA.

• Materias:Redes neuronales (Computadores) Lenguajes de programación (Computadores electrónicos) Inteligencia artificial Estudio de tiempos
• Subjects:Neural networks (Computer science) Programming languages (Computer electronics) Artificial intelligence Time study
• Palabras claves:Redes neurales (computadores); Inteligencia artificial; Programación lógica; Análisis de series de tiempo
• Keywords:Neural networks (computer science); Artificial intelligence; Logic programming; Time-series analysis