Generación automática de modelos de pronóstico usando bloques funcionales y programación genética
- Autores: Carlos Alberto Martínez
- Directores de la Tesis: Juan David Velásquez Henao (dir. tes.)
- Lectura: En la Universidad Nacional de Colombia (UNAL) ( Colombia ) en 2016
- Idioma: español
-
Materias:
- Física
- Ciencias de la tierra y del espacio
- Ciencias tecnológicas
- Ingeniería y tecnología aeronáuticas
- Tecnología bioquímica
- Ingeniería y tecnología químicas
- Tecnología de los ordenadores
- Tecnología de la construcción
- Ingeniería y tecnología eléctricas
- Tecnología electrónica
- Ingeniería y tecnología del medio ambiente
- Tecnología industrial
- Tecnología de la instrumentación
- Tecnología de materiales
- Tecnología e ingeniería mecánicas
- Tecnología médica
- Tecnología metalúrgica
- Tecnología de productos metálicos
- Tecnología de vehículos de motor
- Tecnología minera
- Tecnología naval
- Tecnología nuclear
- Tecnología del carbón y del petróleo
- Tecnología energética
- Tecnología de los ferrocarriles
- Tecnología del espacio
- Tecnología de las telecomunicaciones
- Tecnología textil
- Tecnología de los sistemas de transporte
- Procesos tecnológicos
- Planificación urbana
- Otras especialidades tecnológicas
- Ciencias de las artes y las letras
- Enlaces
- Tesis en acceso abierto en: repositorio.unal.edu.co
- Resumen
En el marco de la predicción de series temporales, la Programación Genética ha tomado gran fuerza en los últimos años debido a su capacidad de deducir la ecuación y aquellos parámetros que mejor aproximan la relación entre la variable de salida y el conjunto de variables de entrada; sin embargo, al ser aplicada en la predicción de series de tiempo, aún presenta limitaciones en la incorporación de las componentes de ciclo, tendencia, estacionalidad y error; en el uso de aquellos rezagos de interés en todos los individuos durante el proceso de búsqueda; en la inclusión de los modelos bechmark de predicción de series de tiempo presentes en la literatura; y la redundancia de nodos (terminales y operadores) que no aportan a la aptitud del modelo. Para abordarlos, en este trabajo se modificaron: la estructura del algoritmo de programación genética original, la función de aptitud, los operadores de selección, intensificación, reproducción, mutación y cruce; además, fueron incorporadas las componentes de ciclo, tendencia, estacionalidad y error, a los bloques funcionales. Lo anterior permite la inclusión de las componentes de los modelos actuales de predicción de series de tiempo, la focalización de los individuos en regiones de interés durante el proceso de exploración, y la incorporación de conocimiento experto en la generación de la población inicial del algoritmo. Las modificaciones propuestas fueron implementadas en un prototipo en el lenguaje R, y validadas contra series de tiempo con ecuación de generación conocida (para verificar la capacidad de deducción de la ecuación a partir de los datos) y series benchmark de la literatura de predicción de series de tiempo, como son las series: AIRLINE, SUNSPOT, LYNX, INTERNET y POLLUTION. Los resultados obtenidos en términos de medidas de error comparados contra modelos ARIMA, SVM (Maquinas de vectores de soporte), MLP (perceptrones multicapa), NN (redes neuronales artificiales), DAN (redes neuronales de arquitectura dinamica) y el algoritmo original de programación genética, fueron mejores tanto en el entrenamiento como la predicción.
