Filtro predictor basado en redes neuronales para pronóstico de series temporales de lluvia acumulada empleando submuestreo

Autores
Pucheta, Julián Antonio; Herrera, M. R.; Rodríguez Rivero, C. M.; Baumgartner, J. S.; Sauchelli, V. H.
Año de publicación
2011
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
En éste trabajo se presenta un filtro predictor basado en redes neuronales (RNs) directas para pronóstico de series temporales de alta rugosidad empleando submuestreo, contribuyendo a la nueva generación de herramientas que permiten conocer la previsibilidad de agua de lluvia. Se generan series temporales a partir de submuestrear a una serie dato original, partiendo del valor disponible más reciente hacia el más antiguo. Se usaron series provenientes de la Ecuación Mackey-Glass (MG) de 120 datos, donde se usaron para validar al algoritmo los últimos 18 valores. También se usó una serie de lluvia mensual acumulada proveniente del establecimiento Santa Francisca, Alta Gracia, Córdoba, que tiene 125 valores. Para cada una de las series generadas por el submuestreo, se ajustó a un filtro diferente basado en RNs, y cada uno de ellos genera un pronóstico que luego es promediado en su conjunto. La regla de ajuste utilizada en el proceso de aprendizaje se basa en el método Levenberg-Marquard y el desempeño del filtro propuesto se evalúa a través del índice SMAPE. En muchos casos se obtienen mejoras muy notorias respecto del resultado obtenido mediante el filtro basado en RNs sin submuestreo.
In this work, a neural networks (NN) -based predictor filter for forecasting cumulative rainfall sub-sampled time series of high roughness is presented. It is intended to contribute to the generation of tools to ascertain the predictability of rainfall. Time series are generated from a series down sample the original data, based on the latest available value to the oldest. Using series from the Mackey-Glass Equation (MG) 120 data, which were used the last 18 values to validate the algorithm . Series of monthly rainfall accumulated from Santa Francisca, Alta Gracia, Cordoba, were used which consist of 125 values. For each series generated by sub- sampling, was adjusted to a different filter based on NN, and each one generates a forecast that is then averaged together. The adjustment rule used in the learning process is based on the Levenberg-Marquard method and the proposed filter performance is evaluated by SMAPE index. In many cases very noticeable improvements are obtained with respect to the result obtained by filter based on NN without down sampling.
Sociedad Argentina de Informática e Investigación Operativa
Materia
Ciencias Informáticas
Pronostico de series temporales
Submuestreo
Decimación
Redes neuronales
Mackey-Glass
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/125840

id SEDICI_a6a6c32c53f18d723853f4f3159fccec
oai_identifier_str oai:sedici.unlp.edu.ar:10915/125840
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Filtro predictor basado en redes neuronales para pronóstico de series temporales de lluvia acumulada empleando submuestreoPucheta, Julián AntonioHerrera, M. R.Rodríguez Rivero, C. M.Baumgartner, J. S.Sauchelli, V. H.Ciencias InformáticasPronostico de series temporalesSubmuestreoDecimaciónRedes neuronalesMackey-GlassEn éste trabajo se presenta un filtro predictor basado en redes neuronales (RNs) directas para pronóstico de series temporales de alta rugosidad empleando submuestreo, contribuyendo a la nueva generación de herramientas que permiten conocer la previsibilidad de agua de lluvia. Se generan series temporales a partir de submuestrear a una serie dato original, partiendo del valor disponible más reciente hacia el más antiguo. Se usaron series provenientes de la Ecuación Mackey-Glass (MG) de 120 datos, donde se usaron para validar al algoritmo los últimos 18 valores. También se usó una serie de lluvia mensual acumulada proveniente del establecimiento Santa Francisca, Alta Gracia, Córdoba, que tiene 125 valores. Para cada una de las series generadas por el submuestreo, se ajustó a un filtro diferente basado en RNs, y cada uno de ellos genera un pronóstico que luego es promediado en su conjunto. La regla de ajuste utilizada en el proceso de aprendizaje se basa en el método Levenberg-Marquard y el desempeño del filtro propuesto se evalúa a través del índice SMAPE. En muchos casos se obtienen mejoras muy notorias respecto del resultado obtenido mediante el filtro basado en RNs sin submuestreo.In this work, a neural networks (NN) -based predictor filter for forecasting cumulative rainfall sub-sampled time series of high roughness is presented. It is intended to contribute to the generation of tools to ascertain the predictability of rainfall. Time series are generated from a series down sample the original data, based on the latest available value to the oldest. Using series from the Mackey-Glass Equation (MG) 120 data, which were used the last 18 values to validate the algorithm . Series of monthly rainfall accumulated from Santa Francisca, Alta Gracia, Cordoba, were used which consist of 125 values. For each series generated by sub- sampling, was adjusted to a different filter based on NN, and each one generates a forecast that is then averaged together. The adjustment rule used in the learning process is based on the Levenberg-Marquard method and the proposed filter performance is evaluated by SMAPE index. In many cases very noticeable improvements are obtained with respect to the result obtained by filter based on NN without down sampling.Sociedad Argentina de Informática e Investigación Operativa2011-08info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf98-112http://sedici.unlp.edu.ar/handle/10915/125840spainfo:eu-repo/semantics/altIdentifier/url/https://40jaiio.sadio.org.ar/sites/default/files/T2011/CAI/942.pdfinfo:eu-repo/semantics/altIdentifier/issn/1852-4850info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:30:23Zoai:sedici.unlp.edu.ar:10915/125840Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:30:24.239SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Filtro predictor basado en redes neuronales para pronóstico de series temporales de lluvia acumulada empleando submuestreo
title Filtro predictor basado en redes neuronales para pronóstico de series temporales de lluvia acumulada empleando submuestreo
spellingShingle Filtro predictor basado en redes neuronales para pronóstico de series temporales de lluvia acumulada empleando submuestreo
Pucheta, Julián Antonio
Ciencias Informáticas
Pronostico de series temporales
Submuestreo
Decimación
Redes neuronales
Mackey-Glass
title_short Filtro predictor basado en redes neuronales para pronóstico de series temporales de lluvia acumulada empleando submuestreo
title_full Filtro predictor basado en redes neuronales para pronóstico de series temporales de lluvia acumulada empleando submuestreo
title_fullStr Filtro predictor basado en redes neuronales para pronóstico de series temporales de lluvia acumulada empleando submuestreo
title_full_unstemmed Filtro predictor basado en redes neuronales para pronóstico de series temporales de lluvia acumulada empleando submuestreo
title_sort Filtro predictor basado en redes neuronales para pronóstico de series temporales de lluvia acumulada empleando submuestreo
dc.creator.none.fl_str_mv Pucheta, Julián Antonio
Herrera, M. R.
Rodríguez Rivero, C. M.
Baumgartner, J. S.
Sauchelli, V. H.
author Pucheta, Julián Antonio
author_facet Pucheta, Julián Antonio
Herrera, M. R.
Rodríguez Rivero, C. M.
Baumgartner, J. S.
Sauchelli, V. H.
author_role author
author2 Herrera, M. R.
Rodríguez Rivero, C. M.
Baumgartner, J. S.
Sauchelli, V. H.
author2_role author
author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Pronostico de series temporales
Submuestreo
Decimación
Redes neuronales
Mackey-Glass
topic Ciencias Informáticas
Pronostico de series temporales
Submuestreo
Decimación
Redes neuronales
Mackey-Glass
dc.description.none.fl_txt_mv En éste trabajo se presenta un filtro predictor basado en redes neuronales (RNs) directas para pronóstico de series temporales de alta rugosidad empleando submuestreo, contribuyendo a la nueva generación de herramientas que permiten conocer la previsibilidad de agua de lluvia. Se generan series temporales a partir de submuestrear a una serie dato original, partiendo del valor disponible más reciente hacia el más antiguo. Se usaron series provenientes de la Ecuación Mackey-Glass (MG) de 120 datos, donde se usaron para validar al algoritmo los últimos 18 valores. También se usó una serie de lluvia mensual acumulada proveniente del establecimiento Santa Francisca, Alta Gracia, Córdoba, que tiene 125 valores. Para cada una de las series generadas por el submuestreo, se ajustó a un filtro diferente basado en RNs, y cada uno de ellos genera un pronóstico que luego es promediado en su conjunto. La regla de ajuste utilizada en el proceso de aprendizaje se basa en el método Levenberg-Marquard y el desempeño del filtro propuesto se evalúa a través del índice SMAPE. En muchos casos se obtienen mejoras muy notorias respecto del resultado obtenido mediante el filtro basado en RNs sin submuestreo.
In this work, a neural networks (NN) -based predictor filter for forecasting cumulative rainfall sub-sampled time series of high roughness is presented. It is intended to contribute to the generation of tools to ascertain the predictability of rainfall. Time series are generated from a series down sample the original data, based on the latest available value to the oldest. Using series from the Mackey-Glass Equation (MG) 120 data, which were used the last 18 values to validate the algorithm . Series of monthly rainfall accumulated from Santa Francisca, Alta Gracia, Cordoba, were used which consist of 125 values. For each series generated by sub- sampling, was adjusted to a different filter based on NN, and each one generates a forecast that is then averaged together. The adjustment rule used in the learning process is based on the Levenberg-Marquard method and the proposed filter performance is evaluated by SMAPE index. In many cases very noticeable improvements are obtained with respect to the result obtained by filter based on NN without down sampling.
Sociedad Argentina de Informática e Investigación Operativa
description En éste trabajo se presenta un filtro predictor basado en redes neuronales (RNs) directas para pronóstico de series temporales de alta rugosidad empleando submuestreo, contribuyendo a la nueva generación de herramientas que permiten conocer la previsibilidad de agua de lluvia. Se generan series temporales a partir de submuestrear a una serie dato original, partiendo del valor disponible más reciente hacia el más antiguo. Se usaron series provenientes de la Ecuación Mackey-Glass (MG) de 120 datos, donde se usaron para validar al algoritmo los últimos 18 valores. También se usó una serie de lluvia mensual acumulada proveniente del establecimiento Santa Francisca, Alta Gracia, Córdoba, que tiene 125 valores. Para cada una de las series generadas por el submuestreo, se ajustó a un filtro diferente basado en RNs, y cada uno de ellos genera un pronóstico que luego es promediado en su conjunto. La regla de ajuste utilizada en el proceso de aprendizaje se basa en el método Levenberg-Marquard y el desempeño del filtro propuesto se evalúa a través del índice SMAPE. En muchos casos se obtienen mejoras muy notorias respecto del resultado obtenido mediante el filtro basado en RNs sin submuestreo.
publishDate 2011
dc.date.none.fl_str_mv 2011-08
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
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://sedici.unlp.edu.ar/handle/10915/125840
url http://sedici.unlp.edu.ar/handle/10915/125840
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://40jaiio.sadio.org.ar/sites/default/files/T2011/CAI/942.pdf
info:eu-repo/semantics/altIdentifier/issn/1852-4850
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
98-112
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844616184159272960
score 13.070432