Resumen

Este artículo se ocupa de las series temporales de los precios de las verduras, que tienen un gran impacto en la vida de las personas. Un método preciso de previsión de precios y un sistema de alerta temprana en el mercado de verduras son una necesidad urgente en la vida cotidiana de las personas. Las series temporales de precios contienen patrones lineales y no lineales. Por lo tanto, ni las previsiones lineales actuales ni las redes neuronales pueden ser adecuadas para modelar y predecir los datos de las series temporales. El modelo de previsión lineal no puede hacer frente a las relaciones no lineales, mientras que el modelo de red neuronal por sí solo no es capaz de manejar patrones lineales y no lineales al mismo tiempo. El filtro lineal Hodrick-Prescott (H-P) puede extraer la tendencia y los componentes cíclicos de los datos de series temporales. Predecimos los patrones lineales y no lineales y, a continuación, combinamos linealmente las dos partes para elaborar una previsión a partir de los datos originales. Este estudio propone una estructura de red neuronal híbrida basada en un filtro H-P que aprende los patrones de tendencia y estacionales por separado. El experimento utiliza datos de precios de hortalizas para evaluar el modelo. Las comparaciones con el método de la media móvil integrada autorregresiva y los métodos de redes neuronales artificiales de retropropagación muestran que nuestro método tiene mayor precisión que los demás.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Mathematical logic
• Palabras claves:datos de series temporales, modelos no lineales, métodos de redes neuronales artificiales, datos de precios de series temporales, método de previsión preciso, previsión lineal actual, red neuronal híbrida, modelo de previsión lineal, modelo de red neuronal, datos de precios de hortalizas
• Keywords:time series data, nonlinear patterns, artificial neural network methods, time series price data, accurate forecasting method, current linear forecasting, hybrid neural network, linear forecasting model, neural network model, vegetable prices data