1. Inicio
  2. Atrás
Título: Meta-aprendizaje Auto-organizado temporal para predicción a largo plazo de series de tiempo caóticas
Autores: RIGOBERTO SALOMON FONSECA DELGADO
Fecha: 2017-02
Publicador: INAOE
Fuente:
Tipo: info:eu-repo/semantics/doctoralThesis
info:eu-repo/semantics/acceptedVersion
Tema: info:eu-repo/classification/Series de tiempo/Time series
info:eu-repo/classification/Meta-aprendizaje/Meta-learning
info:eu-repo/classification/Predicción/Forecasting
info:eu-repo/classification/Mapas auto-organizados/Self-organijing maps
info:eu-repo/classification/Redes neuronales/Neural networks
info:eu-repo/classification/cti/1
info:eu-repo/classification/cti/12
info:eu-repo/classification/cti/1203
Descripción: La predicción a largo plazo de series de tiempo de sistemas caóticos es una tarea difícil pero requerida en diversos dominios como economía, medicina, gobierno, etc. En los últimos años, varias investigaciones han puesto su atención en reutilizar conocimiento previo a fin de combinar modelos y mejorar la predicción. El proceso de aprender a partir de resultados previos es denominado meta-aprendizaje. En el contexto de combinación de modelos, la estrategia de meta-aprendizaje permite generar automáticamente un experto, capaz de recomendar una combinación de modelos apropiada para predecir una serie de tiempo en particular. Sin embargo, el proceso de meta-aprendizaje en series de tiempo impone retos no triviales tales como: analizar el comportamiento de los modelos con los datos, buscar modelos que puedan combinarse adecuadamente para cada serie, e incluso generar nuevos métodos de meta-aprendizaje, que consideren las variaciones de desempeño de los modelos en el tiempo. Esta investigación se centra en el problema de meta-aprendizaje de combinación de modelos, utilizando auto-organización y un análisis automático del comportamiento de los modelos. La meta es mejorar la exactitud en predicción a largo plazo alcanzada por los algoritmos del estado del arte en series de tiempo caóticas. La principal contribución de este trabajo es un nuevo método, basado en meta-características y en las redes neuronales de mapas auto-organizados, capaz de generar combinaciones de modelos de predicción considerando la exactitud de los modelos y su diversidad de comportamiento en el tiempo. El método desarrollado fue comparado con otros métodos del estado del arte, y validado utilizando series sintéticas y series obtenidas de aplicaciones reales, que presentan comportamientos tanto caóticos como no caóticos.
Idioma: spa