Forecasting noisy time series approximated by neural networks

Autores
Rodríguez Rivero, Cristian; Pucheta, Julián; Baumgartner, Josef; Patiño, H. Daniel; Laboret, Sergio; Otaño, Paula
Año de publicación
2014
Idioma
inglés
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
Fil: Rodríguez Rivero, Cristian. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales Laboratorio de Investigación Matemática Aplicad a Control; Argentina.
Fil: Pucheta, Julián. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales Laboratorio de Investigación Matemática Aplicad a Control; Argentina.
Fil: Baumgartner, Josef. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales Laboratorio de Investigación Matemática Aplicad a Control; Argentina.
Fil: Patiño, H. Daniel. Universidad Nacional de San Juan. Facultad de Ingeniería. Instituto de Automática; Argentina.
Fil: Laboret, Sergio. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales Laboratorio de Investigación Matemática Aplicad a Control; Argentina.
Fil: Otaño, Paula. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Departamento de Ingeniería en Sistemas; Argentina.
In this work, a proposed methodology for univariate noisy time series prediction approximated by artificial neural networks (ANN) is applied to the problem of forecasting monthly rainfall precipitation in Cuesta El Portezuelo at Catamarca, province of Argentina (- 28°28'11.26";-65°38'14.05") with addition of white noise. The feasibility of the proposed scheme is examined through dynamic modeling of the well-known chaotic time series such as Mackay Glass (MG) and one-dimensional Henon series (HEN). In particular, when the time series is noisy, the underlying dynamical system is nonlinear and temporal dependencies span long time intervals, in which this are also called long memory process. In such cases, the inherent nonlinearity of ANN models and a higher robustness to noise seem to partially explain their better prediction performance. So, in one-step-ahead prediction tasks, the predictive models are required to estimate the next sample value of a noisy time series, without feeding back it to the model’s input regressor. If the user is interested in a longer prediction horizon, a procedure known as long-term prediction, the model’s output should be fed back to the input regressor for a fixed but finite number of time steps. Even though feed-forward networks can be easily adapted to process time series through an input tapped delay line, giving rise to the well-known time tagged feed-forward neural network, respectively. The results show that the new method can improve the predictability of noisy rainfall and chaotic time series with a suitable number of hidden units compared to that of reported in the literature.
Fil: Rodríguez Rivero, Cristian. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales Laboratorio de Investigación Matemática Aplicad a Control; Argentina.
Fil: Pucheta, Julián. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales Laboratorio de Investigación Matemática Aplicad a Control; Argentina.
Fil: Baumgartner, Josef. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales Laboratorio de Investigación Matemática Aplicad a Control; Argentina.
Fil: Patiño, H. Daniel. Universidad Nacional de San Juan. Facultad de Ingeniería. Instituto de Automática; Argentina.
Fil: Laboret, Sergio. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales Laboratorio de Investigación Matemática Aplicad a Control; Argentina.
Fil: Otaño, Paula. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Departamento de Ingeniería en Sistemas; Argentina.
Sistemas de Automatización y Control
Materia
Ingeniería Electrónica
Meteorología
Clima
Llluvia
Nivel de accesibilidad
acceso abierto
Condiciones de uso
Repositorio
Repositorio Digital Universitario (UNC)
Institución
Universidad Nacional de Córdoba
OAI Identificador
oai:rdu.unc.edu.ar:11086/549953
Acceder
id RDUUNC_c01510563d1dfc7fc09b68c9390957c6
oai_identifier_str oai:rdu.unc.edu.ar:11086/549953
network_acronym_str RDUUNC
repository_id_str 2572
network_name_str Repositorio Digital Universitario (UNC)
spelling Forecasting noisy time series approximated by neural networksRodríguez Rivero, CristianPucheta, JuliánBaumgartner, JosefPatiño, H. DanielLaboret, SergioOtaño, PaulaIngeniería ElectrónicaMeteorologíaClimaLlluviaFil: Rodríguez Rivero, Cristian. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales Laboratorio de Investigación Matemática Aplicad a Control; Argentina.Fil: Pucheta, Julián. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales Laboratorio de Investigación Matemática Aplicad a Control; Argentina.Fil: Baumgartner, Josef. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales Laboratorio de Investigación Matemática Aplicad a Control; Argentina.Fil: Patiño, H. Daniel. Universidad Nacional de San Juan. Facultad de Ingeniería. Instituto de Automática; Argentina.Fil: Laboret, Sergio. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales Laboratorio de Investigación Matemática Aplicad a Control; Argentina.Fil: Otaño, Paula. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Departamento de Ingeniería en Sistemas; Argentina.In this work, a proposed methodology for univariate noisy time series prediction approximated by artificial neural networks (ANN) is applied to the problem of forecasting monthly rainfall precipitation in Cuesta El Portezuelo at Catamarca, province of Argentina (- 28°28'11.26";-65°38'14.05") with addition of white noise. The feasibility of the proposed scheme is examined through dynamic modeling of the well-known chaotic time series such as Mackay Glass (MG) and one-dimensional Henon series (HEN). In particular, when the time series is noisy, the underlying dynamical system is nonlinear and temporal dependencies span long time intervals, in which this are also called long memory process. In such cases, the inherent nonlinearity of ANN models and a higher robustness to noise seem to partially explain their better prediction performance. So, in one-step-ahead prediction tasks, the predictive models are required to estimate the next sample value of a noisy time series, without feeding back it to the model’s input regressor. If the user is interested in a longer prediction horizon, a procedure known as long-term prediction, the model’s output should be fed back to the input regressor for a fixed but finite number of time steps. Even though feed-forward networks can be easily adapted to process time series through an input tapped delay line, giving rise to the well-known time tagged feed-forward neural network, respectively. The results show that the new method can improve the predictability of noisy rainfall and chaotic time series with a suitable number of hidden units compared to that of reported in the literature.Fil: Rodríguez Rivero, Cristian. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales Laboratorio de Investigación Matemática Aplicad a Control; Argentina.Fil: Pucheta, Julián. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales Laboratorio de Investigación Matemática Aplicad a Control; Argentina.Fil: Baumgartner, Josef. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales Laboratorio de Investigación Matemática Aplicad a Control; Argentina.Fil: Patiño, H. Daniel. Universidad Nacional de San Juan. Facultad de Ingeniería. Instituto de Automática; Argentina.Fil: Laboret, Sergio. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales Laboratorio de Investigación Matemática Aplicad a Control; Argentina.Fil: Otaño, Paula. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Departamento de Ingeniería en Sistemas; Argentina.Sistemas de Automatización y Control2014info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfhttp://hdl.handle.net/11086/549953enginfo:eu-repo/semantics/openAccessreponame:Repositorio Digital Universitario (UNC)instname:Universidad Nacional de Córdobainstacron:UNC2025-09-29T13:44:00Zoai:rdu.unc.edu.ar:11086/549953Institucionalhttps://rdu.unc.edu.ar/Universidad públicaNo correspondehttp://rdu.unc.edu.ar/oai/snrdoca.unc@gmail.comArgentinaNo correspondeNo correspondeNo correspondeopendoar:25722025-09-29 13:44:00.807Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdobafalse
dc.title.none.fl_str_mv Forecasting noisy time series approximated by neural networks
title Forecasting noisy time series approximated by neural networks
spellingShingle Forecasting noisy time series approximated by neural networks
Rodríguez Rivero, Cristian
Ingeniería Electrónica
Meteorología
Clima
Llluvia
title_short Forecasting noisy time series approximated by neural networks
title_full Forecasting noisy time series approximated by neural networks
title_fullStr Forecasting noisy time series approximated by neural networks
title_full_unstemmed Forecasting noisy time series approximated by neural networks
title_sort Forecasting noisy time series approximated by neural networks
dc.creator.none.fl_str_mv Rodríguez Rivero, Cristian
Pucheta, Julián
Baumgartner, Josef
Patiño, H. Daniel
Laboret, Sergio
Otaño, Paula
author Rodríguez Rivero, Cristian
author_facet Rodríguez Rivero, Cristian
Pucheta, Julián
Baumgartner, Josef
Patiño, H. Daniel
Laboret, Sergio
Otaño, Paula
author_role author
author2 Pucheta, Julián
Baumgartner, Josef
Patiño, H. Daniel
Laboret, Sergio
Otaño, Paula
author2_role author
author
author
author
author
dc.subject.none.fl_str_mv Ingeniería Electrónica
Meteorología
Clima
Llluvia
topic Ingeniería Electrónica
Meteorología
Clima
Llluvia
dc.description.none.fl_txt_mv Fil: Rodríguez Rivero, Cristian. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales Laboratorio de Investigación Matemática Aplicad a Control; Argentina.
Fil: Pucheta, Julián. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales Laboratorio de Investigación Matemática Aplicad a Control; Argentina.
Fil: Baumgartner, Josef. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales Laboratorio de Investigación Matemática Aplicad a Control; Argentina.
Fil: Patiño, H. Daniel. Universidad Nacional de San Juan. Facultad de Ingeniería. Instituto de Automática; Argentina.
Fil: Laboret, Sergio. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales Laboratorio de Investigación Matemática Aplicad a Control; Argentina.
Fil: Otaño, Paula. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Departamento de Ingeniería en Sistemas; Argentina.
In this work, a proposed methodology for univariate noisy time series prediction approximated by artificial neural networks (ANN) is applied to the problem of forecasting monthly rainfall precipitation in Cuesta El Portezuelo at Catamarca, province of Argentina (- 28°28'11.26";-65°38'14.05") with addition of white noise. The feasibility of the proposed scheme is examined through dynamic modeling of the well-known chaotic time series such as Mackay Glass (MG) and one-dimensional Henon series (HEN). In particular, when the time series is noisy, the underlying dynamical system is nonlinear and temporal dependencies span long time intervals, in which this are also called long memory process. In such cases, the inherent nonlinearity of ANN models and a higher robustness to noise seem to partially explain their better prediction performance. So, in one-step-ahead prediction tasks, the predictive models are required to estimate the next sample value of a noisy time series, without feeding back it to the model’s input regressor. If the user is interested in a longer prediction horizon, a procedure known as long-term prediction, the model’s output should be fed back to the input regressor for a fixed but finite number of time steps. Even though feed-forward networks can be easily adapted to process time series through an input tapped delay line, giving rise to the well-known time tagged feed-forward neural network, respectively. The results show that the new method can improve the predictability of noisy rainfall and chaotic time series with a suitable number of hidden units compared to that of reported in the literature.
Fil: Rodríguez Rivero, Cristian. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales Laboratorio de Investigación Matemática Aplicad a Control; Argentina.
Fil: Pucheta, Julián. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales Laboratorio de Investigación Matemática Aplicad a Control; Argentina.
Fil: Baumgartner, Josef. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales Laboratorio de Investigación Matemática Aplicad a Control; Argentina.
Fil: Patiño, H. Daniel. Universidad Nacional de San Juan. Facultad de Ingeniería. Instituto de Automática; Argentina.
Fil: Laboret, Sergio. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales Laboratorio de Investigación Matemática Aplicad a Control; Argentina.
Fil: Otaño, Paula. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Departamento de Ingeniería en Sistemas; Argentina.
Sistemas de Automatización y Control
description Fil: Rodríguez Rivero, Cristian. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales Laboratorio de Investigación Matemática Aplicad a Control; Argentina.
publishDate 2014
dc.date.none.fl_str_mv 2014
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/11086/549953
url http://hdl.handle.net/11086/549953
dc.language.none.fl_str_mv eng
language eng
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositorio Digital Universitario (UNC)
instname:Universidad Nacional de Córdoba
instacron:UNC
reponame_str Repositorio Digital Universitario (UNC)
collection Repositorio Digital Universitario (UNC)
instname_str Universidad Nacional de Córdoba
instacron_str UNC
institution UNC
repository.name.fl_str_mv Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdoba
repository.mail.fl_str_mv oca.unc@gmail.com
_version_ 1844618971529084928
score 13.070432

Publicaciones similares