Pronosticando el índice Enso varios pasos en adelante mediante técnicas de modelamiento no lineal

• Autores: Giovanni Salini Calderón
• Localización: Ingeniare: Revista Chilena de Ingeniería, ISSN-e 0718-3305, ISSN 0718-3291, Vol. 18, Nº. 3, 2010, págs. 326-335
• Idioma: español
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Se indica cómo manejar una gran base de datos consistente de series temporales no lineales, aplicando distintas técnicas de modelamiento no lineal a estas series. Aunque no existen guías explícitas de manipulación de series temporales no lineales en la profusa bibliografía actual, existen diferentes enfoques que pueden ser tomados en cuenta. Para ello se estudió una base de datos mensual correspondiente a datos del Fenómeno del Niño (ENSO), entre los años 1866 y 2006.

    Se explica cómo debe manipularse esta base de datos que poseen características de no linealidad, la cual será usada para hacer pronósticos varios pasos en adelante. Se aplicaron dos test estándar: Información Mutua Promedio (AMI) y Falsos Vecinos más Cercanos (FNN). Se obtuvo el espaciamiento óptimo de los datos, así como el número de datos hacia atrás necesarios para pronosticar valores hacia el futuro. Luego se diseñaron varios modelos de redes neuronales artificiales (RNA), con diferentes reglas de aprendizajes, funciones de transferencia, elementos de procesamiento (o neuronas) en la capa escondida, etc., que permitieron hacer pronóstico de hasta 20 pasos en adelante. Las mejores redes correspondieron a aquellas que poseían como regla de aprendizaje la Regla Delta y la Regla Extendida, con función de transferencia sigmoide y tangente hiperbólica. El tipo de RNA usada fue una de multicapas alimentada hacia adelante y entrenada mediante la técnica de propagación hacia atrás. Se probaron redes con una, dos capas ocultas y sin ninguna capa. El mejor modelo que se obtuvo resultó ser uno consistente de una capa oculta.

  • English

    We indicate how to handle a large database consisting of nonlinear time series, applying different nonlinear modelling techniques to this kind of times series. Nowadays in the current references there is no explicit guide of how to manipulate data from nonlinear time series; however, there are approaches that can be taken account. To this end we studied a monthly database corresponding to South Oscillation Index (SOI) and between the years 1866 to 2006. It explains how there must manipulated this database whose data possess nonlinear characteristic, which will be used to do forecasts several steps ahead. Two standard tests to this database were applied, the Average Mutual Information (AMI) and the False Nearest Neighbours (FNN). The optimal spacing of the information was obtained as well as the number of values backward necessary to predict values towards the future. Then, several models were designed of artificial neural nets (ANN), with different learning rules, function of transfer, elements of process (or neurons) in the hidden layer, etc., that allowed to do forecasting of up to 20 steps ahead. The best networks were those that possessed the rules of learning called extDBD and Delta-Rule, and sigmoid as well as hyperbolic tangent as function of transfer. The type of used network was one of feedforward multilayer perceptron and trained by means of backpropagation technique. Networks were proved by one, two hidden layers and without any hidden layer. The best model that was obtained it turned out to be one that consisted with an alone hidden layer.