Predicción de series de tiempo con redes cascada-correlación

Las redes neuronales, y en particular los perceptrones multicapa (MLP), han sido reconocidos como una de las más poderosas técnicas para estimar series de tiempo; sin embargo, la técnica de redes cascada-correlación (CC) es un fuerte competidor para pronosticar series temporales pues incorpora mejoras a los problemas de identificabilidad estadística del modelo del MLP. En és- te artículo se compara el rendimiento de las redes CC respecto de otras técnicas, entre ellas el MLP, ANN y Arima, usando va- rias series de tiempo no lineales del mundo real, con el fin de determinar si las CC ofrecen buenos resultados en la práctica. Los resultados indican que las redes CC, en la mayoría de los casos, son superiores a los MLP, ANN y Arima, logrando errores me- nores en magnitud que los reportados en la literatura usando dichas técnicas, mientras que en relación a DAN2 se lograron e- rrores cercanos e incluso mejores.

• Autores: Velásquez Henao, Juan David; Villa, Fernán Alonso; Castro Souza, Reinaldo
• Tipo de recurso: Article of journal
• Fecha de publicación: 2010
• Institución: Universidad Nacional de Colombia
• Repositorio: Universidad Nacional de Colombia
• Idioma: spa
• OAI Identifier: oai:repositorio.unal.edu.co:unal/29224
• Acceso en línea: https://repositorio.unal.edu.co/handle/unal/29224; http://bdigital.unal.edu.co/19272/; http://bdigital.unal.edu.co/19272/2/
• Palabra clave: cascade correlation; neural network; time series; forecasting; fit; validation; multilayer perceptron; DAN2; Arima; cascada-correlación; redes neuronales; series de tiempo; predicción; entrenamiento; validación; perceptrón multicapa; DANN2; Arima
• Rights: openAccess
• License: Atribución-NoComercial 4.0 Internacional