Modelado estructural no lineal de series temporales

• Sánchez, Paola Andrea ^[1] ; Velásquez, Juan David
  1. [1] Universidad Nacional de Colombia-Sede Medellín-Facultad de Minas-Escuela de Sistemas-Posgrado en Ingeniería de Sistemas
• Localización: Avances en Sistemas e Informática, ISSN 1909-0056, Vol. 2, Nº. 2, 2005, págs. 27-38
• Idioma: español
• Enlaces
  • Texto completo
• Resumen
  • español

    Los modelos estructurales son herramientas conceptualmente útiles en el modelado de series temporales, toda vez que permiten la representación individual de cada componente estructural de la serie estudiada; sin embargo, la dificultad que estos presentan para representar relaciones no lineales ha desestimado su utilización en series reales. Alternativamente, los modelos basados en redes neuronales artificiales (RNA) son una alternativa promisoria para el modelado de series con características no lineales; no obstante, su incapacidad para dar una explicación económica de los parámetros calculados, hace que estas sean vistas como cajas negras. En este estudio, se propone una metodología híbrida que combina las bondades del modelado estructural en la representación explícita de las características de la serie y de las redes neuronales en la captura de relaciones no lineales. Los resultados experimentales con series reales indican que la combinación de modelos de éste tipo puede ser una vía más efectiva para el modelado de series temporales no lineales que los modelos usados individualmente.

  • English

    Structural models are tools conceptually useful in time series modeling, because they allow the individual interpretation behavior of each structural component in the series; however, the difficult in the representation of nonlinear relationships of these models, have despised their use in real scries. The Artificial Neural Networks (RNA) models are a promising alternative by the nonlinear time series modeling; nevertheless, the inabilities for to explain the parameters calculate of these models do that RNA have seen as black box. In this paper, we propose a hybrid approach that uses an explicit modeling of the structural characteristics of time series by structural models, joint with modeling of nonlinear relationships provided by neural networks. Experimental results with real series suggest the combination of this models can be an effective way to nonlinear time series modeling that the individual models.