Resumen

Las redes neuronales artificiales (RNA) son marcos informáticos flexibles y aproximadores universales que pueden aplicarse a una amplia gama de problemas de previsión con un alto grado de precisión. Sin embargo, el uso de las RNA para modelizar problemas lineales ha dado resultados desiguales, por lo que no es prudente aplicarlas ciegamente a cualquier tipo de datos. Esta es la razón por la que en la literatura de previsión de series temporales se han propuesto metodologías híbridas que combinan modelos lineales, como ARIMA, y no lineales, como las RNA. A pesar de todas las ventajas de las metodologías tradicionales para combinar ARIMA y RNAs, éstas tienen algunos supuestos que degenerarán su rendimiento si se produce la situación contraria. En este trabajo se propone una nueva metodología para combinar las RNA con ARIMA con el fin de superar las limitaciones de las metodologías híbridas tradicionales y obtener modelos híbridos más generales y precisos. Los resultados empíricos obtenidos con el conjunto de datos Canadian Lynx indican que la metodología propuesta puede resultar más eficaz para combinar modelos lineales y no lineales que las metodologías híbridas tradicionales. Por lo tanto, puede aplicarse como una metodología alternativa apropiada para la hibridación en el campo de la previsión de series temporales, especialmente cuando se necesita una mayor precisión en la previsión.

• Materias:Simulación por computador Hidrodinámica Efecto térmico Cálculos de flujo Controlador de temperatura Simulación por computadora
• Subjects:Computerized simulation Hydrodynamics Thermal effect Flow calculations Temperature controller Computer simulation
• Palabras claves:RNA, metodologías híbridas tradicionales, ARIMA, orden, modelos no lineales, conjunto de datos Canadian Lynx, campo de la previsión de series temporales, redes neuronales artificiales, modelos híbridos precisos, metodología alternativa adecuada.
• Keywords:ANNs, traditional hybrid methodologies, ARIMA, order, nonlinear models, Canadian Lynx data set, time series forecasting field, Artificial neural networks, accurate hybrid models, appropriate alternative methodology