Search

Uno de los usos más importantes de las redes neuronales artificiales es el pronóstico de series de tiempo no lineales, aunque los problemas en la construcción del modelo, tales como la selección de las entradas, la complejidad del modelo y la estimación de los parámetros, permanecen sin una solución satisfactoria. La mayoría de los esfuerzos en investigación están orientados a resolver estos problemas. Sin embargo, los modelos emergidos de la estadística podrían ser más adecuados que las redes neuronales para el pronóstico, en el sentido de que el proceso de especificación es basado enteramente en criterios estadísticos. La regresión adaptativa multivariada por tramos (MARS, por su sigla en inglés) es un método estadístico comúnmente usado para resolver problemas no lineales de regresión, y es posible usarlo para el pronóstico de series de tiempo. No obstante, faltan estudios que comparen los resultados obtenidos usando MARS y redes neuronales artificiales, con el fin de determinar cuál modelo es mejor. En este artículo, se pronostican cuatro series de tiempo no lineales usando MARS y se comparan los resultados obtenidos contra los resultados reportados en la literatura técnica cuando se usan las redes neuronales artificiales y la aproximación ARIMA. El principal hallazgo en esta investigación es que, para todos los casos considerados, los pronósticos obtenidos con MARS son inferiores en precisión respecto a otras aproximaciones. One of the most important uses of artificial neural networks is to forecast non-linear time series, although model-building issues, such as input selection, model complexity and parameters estimation, remain without a satisfactory solution. More of research efforts are devoted to solve these issues. However, other models emerged from statistics would be more appropriated than neural networks for forecasting, in the sense that the process of model specification is based entirely on statistical criteria. Multivariate adaptive regression splines (MARS) is a statistical model commonly used for solving nonlinear regression problems, and it is possible to use it for forecasting time series. Nonetheless, there is a lack of studies comparing the results obtained using MARS and neural network models, with the aim of determinate which model is better. In this paper, we forecast four nonlinear time series using MARS and we compare the obtained results against the reported results in the technical literature when artificial neural networks and the ARIMA approach are used. The main finding in this research, it is that for all considered cases, the forecasts obtained with MARS are lower in accuracy in relation to the other approaches.

Las redes neuronales artificiales, simuladoras del proceso de aprendizaje de las neuronas biológicas, han sido utilizadas con éxito en el cálculo de parámetros en diversos problemas de ingeniería en que las variables involucradas tienen una alta relación no lineal entre sí y la modelación no permite representar el problema mediante una función matemática de fácil deducción. En la ciencia del suelo la predicción de algunas propiedades involucra diversas variables que hacen de su estimación por medio de modelos matemáticos un proceso complejo, y trasladan la solución del problema al campo de la inteligencia artificial. En el presente artículo se reporta la elaboración de redes neuronales artificiales para la estimación de la resistencia a la penetración a diferentes profundidades de un suelo; se consideran como variables influyentes el contenido de humedad, la densidad, la carga estática y la presión de inflado. Los resultados muestran una mejor estimación para profundidades entre 20 cm y 30 cm. Artificial Neural Networks simulate the learning process of biological neurons, and these have been successfully used in the computation of parameters on several engineering problems where exist a strong nonlinear relation among the variables. In soil science, estimation of some properties involves variables that are complicated to estimate using mathematical models, so the solution for the problems fall into the field of Artificial Intelligence. The present paper reports the elaboration of an Artificial Neural Network for the estimation of penetration resistance of soil at different depths, considering as influential variables humidity, density, static load, and inflate pressure. The best estimation results were obtained at a depth of 20-30 cm.

En este artículo, se discute el estado del arte en la estimación de la predicción varios pasos adelante para modelos de series temporales no lineales basados en perceptrones multicapa. Se revisan las principales tendencias para la estimación de pronósticos puntuales e intervalos de confianza. En adición, se argumenta sobre los principales problemas abiertos para investigación futura en la predicción de series temporales usando redes neuronales. In this paper, we discuss the state-of-art in estimating multiple steps ahead forecast for nonlinear time series models based on multilayer perceptrons. We review the main trends for estimating the point forecasts and confidence intervals. In addition, we argue the principal open issues for future research in time series forecasting using neural networks.