Resumen

Aquí se propone un método novedoso para descomponer una serie temporal no estacionaria en componentes de baja y alta frecuencia. El método se basa en la descomposición del valor singular multinivel (MSVD) de una matriz de Hankel. La descomposición se utiliza para mejorar la precisión de las previsiones de los modelos lineales y no lineales de entrada y salida múltiples (MIMO). Se utilizan tres series temporales procedentes del ámbito de los accidentes de tráfico. Representan el número de personas con lesiones en accidentes de tráfico de Santiago, Chile. Los datos fueron recogidos continuamente por la Policía de Chile y fueron muestreados semanalmente desde 2000:1 hasta 2014:12. El rendimiento de la MSVD se compara con la descomposición en componentes de baja y alta frecuencia de un método comúnmente aceptado basado en la Transformada Wavelet Estacionaria (SWT). Se evaluó la SWT junto con el modelo autorregresivo (SWT MIMO-AR) y la SWT junto con una red neuronal autorregresiva (SWT MIMO-ANN). Los resultados empíricos han demostrado que el modelo de previsión basado en el método de descomposición propuesto MSVD obtuvo la mejor precisión, en comparación con los modelos de previsión basados en SWT.

• Materias:Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Fisiología vegetal
• Subjects:Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Plant physiology
• Palabras claves:swt, modelo de previsión, alta frecuencia, descomposición del valor singular, accidente de santiago, número de personas, rendimiento de msvd, métodos de descomposición propuestos, métodos de descomposición msvd, transformada wavelet estacionaria
• Keywords:swt, forecasting model, high frequency, singular value decomposition, accident of santiago, number of person, performance of msvd, proposed decomposition methods, decomposition methods msvd, stationary wavelet transform