Predicción de series de tiempo con descomposición empírica en modos, algoritmo genético y redes neuronales artificiales

Abstract

En este trabajo se presenta la predicción de Series de Tiempo usando una técnica de análisis de señales llamada Descomposición Empírica en Modos (EMD), la cual proporciona más información del problema, para poder obtener una predicción más precisa. Se utiliza un algoritmo llamado GANN para diseñar arquitecturas de Redes Neuronales Artificiales (ANNs) utilizando Algoritmo Genético (GA). Las encargadas de realizar la predicción son las ANNs y su entrenamiento es realizado con el algoritmo de Levenberg-Marquardt, el cual está considerado como el más eficiente, cuando las Redes son de tamaño moderado (no sobrepasan unos cuantos cientos de pesos), además, está catalogado como un algoritmo de segundo orden, sin tener que calcular la segunda derivada. La evaluación de la predicción es llevada a cabo con: Raíz Cuadrada del Error Cuadrático Medio (RMSE) y Raíz Cuadrada del Error Cuadrático Normalizado (NRMS), usando predicción iterada y directa. Los resultados muestran que el usar Descomposición Empírica en Modos, puede ayudar a las Redes Neuronales a obtener predicciones más precisas, para la mayoría de las Series de Tiempo caóticas y complejas; también se puede determinar, que el algoritmo GANN es eficiente al automatizar la búsqueda de dichas Redes Neuronales, permitiendo predicciones muy precisas en diversas Series de Tiempo.