Predicción de series temporales con redes neuronales

Autores
Fierro, Ariel Alejandro
Año de publicación
2021
Idioma
español castellano
Tipo de recurso
tesis de maestría
Estado
versión aceptada
Colaborador/a o director/a de tesis
Ronchetti, Franco
Descripción
Hay una gran cantidad de reportes en la literatura en los que se realizan experimentos sobre distintos conjuntos de datos verificando la performance de las redes neuronales para tareas predictivas. Los estudios coinciden en que los resultados son muy prometedores pero las conclusiones obtenidas al comparar este tipo de métodos con los estadísticos son inconsistentes entre sí. Un problema con la literatura asociada a las predicciones de series temporales con aprendizaje automático es que la mayoría de los estudios publicados proveen predicciones aclamando precisiones satisfactorias sin compararlas con métodos estadísticos o inclusive simples puntos de referencia. Este hecho crea altas expectativas con respecto a la capacidad predictiva de las técnicas de aprendizaje automático, pero sin una prueba empírica de que este sea el caso, habilitando conclusiones que podrían no ser sostenibles. La motivación por la realización del presente Trabajo Final Integrador surge a partir de las posiciones encontradas en la literatura las cuales ameritan su investigación y análisis. El objetivo general del presente Trabajo Final Integrador es comparar distintos métodos de aprendizaje automático basados en redes neuronales con el método estadístico vectorial autorregresivo (VAR, por su sigla en inglés) para la predicción de series temporales multivariadas. Los objetivos específicos a realizar para alcanzar el objetivo general son los siguientes: - Analizar el desempeño del método VAR para la predicción de una serie temporal multivariada. - Analizar el desempeño de distintos métodos de aprendizaje automático para la predicción de una serie temporal multivariada. - Identificar posibles causas de las diferencias en la literatura respecto de la precisión de los distintos modelos predictivos. Los aportes del presente Trabajo Final Integrador se resumen a continuación: - La comparación numérica y visual entre los resultados obtenidos con cada modelo sobre la misma serie temporal, destacando sus principales diferencias, debilidades y fortalezas. - La obtención de una opinión objetiva y fundamentada al respecto de las diferencias y contradicciones entre las publicaciones que comparan los diferentes métodos predictivos. Como posibles líneas de investigación a futuro se propone lo siguiente: - Trabajar con series temporales con mayor cantidad de observaciones por variable, lo cual sin dudas mejoraría los modelos de aprendizaje automático, no tanto así a los estadísticos. - Aumentar la diversidad de modelos, que interpreten los datos de forma diferente. Hay una gran cantidad de modelos estadísticos, y de alternativas de aprendizaje automático diferentes y de estrategias de generación de ensambles que podrían obtener y potenciar lo mejor de cada uno. - Validar los resultados y conclusiones obtenidas utilizando conjuntos de datos diferentes. En el presente Trabajo Final Integrador se utilizó un conjunto de datos con información climática que fue grabada con el objetivo de ser analizada en la estación climática en el Instituto de Biogeoquímica Max Planck en Jena, Alemania. Luego sería esperable que para datos relacionados con fenómenos meteorológicos en un entorno real, pero de distinta zona geográfica, se obtengan resultados similares. A su vez, para datos procedentes de un origen distinto, por ejemplo de la lectura de sensores de maquinaria industrial, se podría obtener una nueva percepción sobre cada modelo.
Especialista en Inteligencia de Datos orientada a Big Data
Universidad Nacional de La Plata
Facultad de Informática
Materia
Ciencias Informáticas
Aprendizaje Automático
Redes neuronales
Método estadístico vectorial autorregresivo
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-nd/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/114857

id SEDICI_d85edd9c1f9fb5eb0f6848a8fc0d1aad
oai_identifier_str oai:sedici.unlp.edu.ar:10915/114857
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Predicción de series temporales con redes neuronalesFierro, Ariel AlejandroCiencias InformáticasAprendizaje AutomáticoRedes neuronalesMétodo estadístico vectorial autorregresivoHay una gran cantidad de reportes en la literatura en los que se realizan experimentos sobre distintos conjuntos de datos verificando la performance de las redes neuronales para tareas predictivas. Los estudios coinciden en que los resultados son muy prometedores pero las conclusiones obtenidas al comparar este tipo de métodos con los estadísticos son inconsistentes entre sí. Un problema con la literatura asociada a las predicciones de series temporales con aprendizaje automático es que la mayoría de los estudios publicados proveen predicciones aclamando precisiones satisfactorias sin compararlas con métodos estadísticos o inclusive simples puntos de referencia. Este hecho crea altas expectativas con respecto a la capacidad predictiva de las técnicas de aprendizaje automático, pero sin una prueba empírica de que este sea el caso, habilitando conclusiones que podrían no ser sostenibles. La motivación por la realización del presente Trabajo Final Integrador surge a partir de las posiciones encontradas en la literatura las cuales ameritan su investigación y análisis. El objetivo general del presente Trabajo Final Integrador es comparar distintos métodos de aprendizaje automático basados en redes neuronales con el método estadístico vectorial autorregresivo (VAR, por su sigla en inglés) para la predicción de series temporales multivariadas. Los objetivos específicos a realizar para alcanzar el objetivo general son los siguientes: - Analizar el desempeño del método VAR para la predicción de una serie temporal multivariada. - Analizar el desempeño de distintos métodos de aprendizaje automático para la predicción de una serie temporal multivariada. - Identificar posibles causas de las diferencias en la literatura respecto de la precisión de los distintos modelos predictivos. Los aportes del presente Trabajo Final Integrador se resumen a continuación: - La comparación numérica y visual entre los resultados obtenidos con cada modelo sobre la misma serie temporal, destacando sus principales diferencias, debilidades y fortalezas. - La obtención de una opinión objetiva y fundamentada al respecto de las diferencias y contradicciones entre las publicaciones que comparan los diferentes métodos predictivos. Como posibles líneas de investigación a futuro se propone lo siguiente: - Trabajar con series temporales con mayor cantidad de observaciones por variable, lo cual sin dudas mejoraría los modelos de aprendizaje automático, no tanto así a los estadísticos. - Aumentar la diversidad de modelos, que interpreten los datos de forma diferente. Hay una gran cantidad de modelos estadísticos, y de alternativas de aprendizaje automático diferentes y de estrategias de generación de ensambles que podrían obtener y potenciar lo mejor de cada uno. - Validar los resultados y conclusiones obtenidas utilizando conjuntos de datos diferentes. En el presente Trabajo Final Integrador se utilizó un conjunto de datos con información climática que fue grabada con el objetivo de ser analizada en la estación climática en el Instituto de Biogeoquímica Max Planck en Jena, Alemania. Luego sería esperable que para datos relacionados con fenómenos meteorológicos en un entorno real, pero de distinta zona geográfica, se obtengan resultados similares. A su vez, para datos procedentes de un origen distinto, por ejemplo de la lectura de sensores de maquinaria industrial, se podría obtener una nueva percepción sobre cada modelo.Especialista en Inteligencia de Datos orientada a Big DataUniversidad Nacional de La PlataFacultad de InformáticaRonchetti, Franco2021-03-03info:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTrabajo de especializacionhttp://purl.org/coar/resource_type/c_bdccinfo:ar-repo/semantics/tesisDeMaestriaapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/114857spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-nd/4.0/Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:26:44Zoai:sedici.unlp.edu.ar:10915/114857Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:26:44.635SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Predicción de series temporales con redes neuronales
title Predicción de series temporales con redes neuronales
spellingShingle Predicción de series temporales con redes neuronales
Fierro, Ariel Alejandro
Ciencias Informáticas
Aprendizaje Automático
Redes neuronales
Método estadístico vectorial autorregresivo
title_short Predicción de series temporales con redes neuronales
title_full Predicción de series temporales con redes neuronales
title_fullStr Predicción de series temporales con redes neuronales
title_full_unstemmed Predicción de series temporales con redes neuronales
title_sort Predicción de series temporales con redes neuronales
dc.creator.none.fl_str_mv Fierro, Ariel Alejandro
author Fierro, Ariel Alejandro
author_facet Fierro, Ariel Alejandro
author_role author
dc.contributor.none.fl_str_mv Ronchetti, Franco
dc.subject.none.fl_str_mv Ciencias Informáticas
Aprendizaje Automático
Redes neuronales
Método estadístico vectorial autorregresivo
topic Ciencias Informáticas
Aprendizaje Automático
Redes neuronales
Método estadístico vectorial autorregresivo
dc.description.none.fl_txt_mv Hay una gran cantidad de reportes en la literatura en los que se realizan experimentos sobre distintos conjuntos de datos verificando la performance de las redes neuronales para tareas predictivas. Los estudios coinciden en que los resultados son muy prometedores pero las conclusiones obtenidas al comparar este tipo de métodos con los estadísticos son inconsistentes entre sí. Un problema con la literatura asociada a las predicciones de series temporales con aprendizaje automático es que la mayoría de los estudios publicados proveen predicciones aclamando precisiones satisfactorias sin compararlas con métodos estadísticos o inclusive simples puntos de referencia. Este hecho crea altas expectativas con respecto a la capacidad predictiva de las técnicas de aprendizaje automático, pero sin una prueba empírica de que este sea el caso, habilitando conclusiones que podrían no ser sostenibles. La motivación por la realización del presente Trabajo Final Integrador surge a partir de las posiciones encontradas en la literatura las cuales ameritan su investigación y análisis. El objetivo general del presente Trabajo Final Integrador es comparar distintos métodos de aprendizaje automático basados en redes neuronales con el método estadístico vectorial autorregresivo (VAR, por su sigla en inglés) para la predicción de series temporales multivariadas. Los objetivos específicos a realizar para alcanzar el objetivo general son los siguientes: - Analizar el desempeño del método VAR para la predicción de una serie temporal multivariada. - Analizar el desempeño de distintos métodos de aprendizaje automático para la predicción de una serie temporal multivariada. - Identificar posibles causas de las diferencias en la literatura respecto de la precisión de los distintos modelos predictivos. Los aportes del presente Trabajo Final Integrador se resumen a continuación: - La comparación numérica y visual entre los resultados obtenidos con cada modelo sobre la misma serie temporal, destacando sus principales diferencias, debilidades y fortalezas. - La obtención de una opinión objetiva y fundamentada al respecto de las diferencias y contradicciones entre las publicaciones que comparan los diferentes métodos predictivos. Como posibles líneas de investigación a futuro se propone lo siguiente: - Trabajar con series temporales con mayor cantidad de observaciones por variable, lo cual sin dudas mejoraría los modelos de aprendizaje automático, no tanto así a los estadísticos. - Aumentar la diversidad de modelos, que interpreten los datos de forma diferente. Hay una gran cantidad de modelos estadísticos, y de alternativas de aprendizaje automático diferentes y de estrategias de generación de ensambles que podrían obtener y potenciar lo mejor de cada uno. - Validar los resultados y conclusiones obtenidas utilizando conjuntos de datos diferentes. En el presente Trabajo Final Integrador se utilizó un conjunto de datos con información climática que fue grabada con el objetivo de ser analizada en la estación climática en el Instituto de Biogeoquímica Max Planck en Jena, Alemania. Luego sería esperable que para datos relacionados con fenómenos meteorológicos en un entorno real, pero de distinta zona geográfica, se obtengan resultados similares. A su vez, para datos procedentes de un origen distinto, por ejemplo de la lectura de sensores de maquinaria industrial, se podría obtener una nueva percepción sobre cada modelo.
Especialista en Inteligencia de Datos orientada a Big Data
Universidad Nacional de La Plata
Facultad de Informática
description Hay una gran cantidad de reportes en la literatura en los que se realizan experimentos sobre distintos conjuntos de datos verificando la performance de las redes neuronales para tareas predictivas. Los estudios coinciden en que los resultados son muy prometedores pero las conclusiones obtenidas al comparar este tipo de métodos con los estadísticos son inconsistentes entre sí. Un problema con la literatura asociada a las predicciones de series temporales con aprendizaje automático es que la mayoría de los estudios publicados proveen predicciones aclamando precisiones satisfactorias sin compararlas con métodos estadísticos o inclusive simples puntos de referencia. Este hecho crea altas expectativas con respecto a la capacidad predictiva de las técnicas de aprendizaje automático, pero sin una prueba empírica de que este sea el caso, habilitando conclusiones que podrían no ser sostenibles. La motivación por la realización del presente Trabajo Final Integrador surge a partir de las posiciones encontradas en la literatura las cuales ameritan su investigación y análisis. El objetivo general del presente Trabajo Final Integrador es comparar distintos métodos de aprendizaje automático basados en redes neuronales con el método estadístico vectorial autorregresivo (VAR, por su sigla en inglés) para la predicción de series temporales multivariadas. Los objetivos específicos a realizar para alcanzar el objetivo general son los siguientes: - Analizar el desempeño del método VAR para la predicción de una serie temporal multivariada. - Analizar el desempeño de distintos métodos de aprendizaje automático para la predicción de una serie temporal multivariada. - Identificar posibles causas de las diferencias en la literatura respecto de la precisión de los distintos modelos predictivos. Los aportes del presente Trabajo Final Integrador se resumen a continuación: - La comparación numérica y visual entre los resultados obtenidos con cada modelo sobre la misma serie temporal, destacando sus principales diferencias, debilidades y fortalezas. - La obtención de una opinión objetiva y fundamentada al respecto de las diferencias y contradicciones entre las publicaciones que comparan los diferentes métodos predictivos. Como posibles líneas de investigación a futuro se propone lo siguiente: - Trabajar con series temporales con mayor cantidad de observaciones por variable, lo cual sin dudas mejoraría los modelos de aprendizaje automático, no tanto así a los estadísticos. - Aumentar la diversidad de modelos, que interpreten los datos de forma diferente. Hay una gran cantidad de modelos estadísticos, y de alternativas de aprendizaje automático diferentes y de estrategias de generación de ensambles que podrían obtener y potenciar lo mejor de cada uno. - Validar los resultados y conclusiones obtenidas utilizando conjuntos de datos diferentes. En el presente Trabajo Final Integrador se utilizó un conjunto de datos con información climática que fue grabada con el objetivo de ser analizada en la estación climática en el Instituto de Biogeoquímica Max Planck en Jena, Alemania. Luego sería esperable que para datos relacionados con fenómenos meteorológicos en un entorno real, pero de distinta zona geográfica, se obtengan resultados similares. A su vez, para datos procedentes de un origen distinto, por ejemplo de la lectura de sensores de maquinaria industrial, se podría obtener una nueva percepción sobre cada modelo.
publishDate 2021
dc.date.none.fl_str_mv 2021-03-03
dc.type.none.fl_str_mv info:eu-repo/semantics/masterThesis
info:eu-repo/semantics/acceptedVersion
Trabajo de especializacion
http://purl.org/coar/resource_type/c_bdcc
info:ar-repo/semantics/tesisDeMaestria
format masterThesis
status_str acceptedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/114857
url http://sedici.unlp.edu.ar/handle/10915/114857
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-nd/4.0/
Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)
dc.format.none.fl_str_mv application/pdf
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_ 1844616145519247360
score 13.070432