Por favor, use este identificador para citar o enlazar este ítem:
http://inaoe.repositorioinstitucional.mx/jspui/handle/1009/2655| Métodos de Aprendizaje Automático para la Predicción de Series Temporales Caóticas | |
| Astrid Maritza Gonzalez Zapata | |
| Israel Cruz Esteban Tlelo-Cuautle | |
| Acceso Abierto | |
| Atribución-NoComercial-SinDerivadas | |
| Machine Learning Prediction Chaotic Time Series Echo State Networks Neural Networks | |
| En los últimos años, los métodos de aprendizaje automático, han ganado popularidad debido a su capacidad para abordar problemas complejos y no lineales. Dentro de este contexto, la predicción de series temporales caóticas ha captado un interés creciente, ya que estos sistemas, caracterizados por su comportamiento aparentemente impredecible, tienen aplicaciones prácticas en campos como la economía, la meteorología y la biología. El uso de técnicas avanzadas de aprendizaje automático para predecir el comportamiento de estas series ofrece una herramienta poderosa para anticipar dinámicas complejas y mejorar la toma de decisiones en escenarios de alta incertidumbre, lo que resulta especialmente relevante en esta época de rápida transformación tecnológica. Existen dos enfoques principales para la predicción de series temporales caóticas: sin forzamiento del maestro y con forzamiento del maestro. En el primero, se predice un paso hacia adelante y, en la siguiente iteración, el valor predicho se utiliza como entrada para estimar el siguiente paso. Aunque este enfoque puede llevar a una divergencia progresiva entre los datos predichos y los reales, permite extender el horizonte de predicción a largo plazo. El segundo enfoque, con forzamiento del maestro, establece una ventana de tamaño definido que contiene n datos históricos, a partir de los cuales se predicen ha pasos adelante, siendo h la cantidad de salidas generadas por el método de aprendizaje automático. En esta tesis, exploraremos ambos enfoques utilizando diferentes estrategias para cada uno. Para la predicción de series temporales caóticas sin forzamiento del maestro, utilizamos redes de estado eco (ESN), que son ampliamente reconocidas por sus buenos resultados y bajo costo computacional en esta tarea. Para ampliar el horizonte de predicción alcanzado con las ESN, empleamos la técnica de decimación, particularmente útil en series temporales con un comportamiento lento. Además, optimizamos los hiperparámetros de la ESN, ya que una selección adecuada de estos influye directamente en el error y el horizonte de predicción. In recent years, machine learning methods have gained popularity due to their ability to address complex and nonlinear problems. Within this context, the prediction of chaotic time series has attracted increasing interest, as these systems characterized by their seemingly unpredictable behavior have practical applications in fields such as economics, meteorology, and biology. The application of advanced machine learning techniques for predicting the behavior of these time series provides a powerful tool for anticipating complex dynamics and enhancing decision-making in high-uncertainty scenarios, which is especially pertinent in this era of rapid technological transformation. There are two primary approaches to predicting chaotic time series: without master forcing and with master forcing. In the first approach, one step ahead is predicted, and in the next iteration, the predicted value is used as input to estimate the subsequent step. While this method may lead to a gradual divergence between predicted and actual data, it allows for an extended long-term prediction horizon. The second approach, with master forcing, establishes a defined-sized window containing n historical data points, from which h steps ahead are predicted, with h representing the number of outputs generated by the machine learning method. This thesis will explore both approaches, employing different strategies for each. For the prediction of chaotic time series without master forcing, we utilize Echo State Networks (ESNs), widely recognized for their strong performance and low computational cost in this task. We employ the decimation technique to extend the prediction horizon achieved with ESNs, which is particularly beneficial for time series exhibiting slow behavior. Additionally, we optimize the hyperparameters of the ESN, as an appropriate selection of these parameters directly influences both error and prediction horizon. Through these strategies, we successfully extend the prediction horizon of the Lorenz system’s time series compared to the work reported in the literature. | |
| Instituto Nacional de Astrofísica, Óptica y Electrónica | |
| 2024-10 | |
| Tesis de doctorado | |
| Español | |
| Estudiantes Investigadores Público en general | |
| González Zapata A. M., (2024), Métodos de Aprendizaje Automático para la Predicción de Series Temporales Caóticas, Tesis de Doctorado, Instituto Nacional de Astrofísica, Óptica y Electrónica. | |
| ELECTRÓNICA | |
| Versión aceptada | |
| acceptedVersion - Versión aceptada | |
| Aparece en las colecciones: | Doctorado en Electrónica |
Cargar archivos:
| Fichero | Tamaño | Formato | |
|---|---|---|---|
| GONZALEZZAM_DE.pdf | 5.77 MB | Adobe PDF | Visualizar/Abrir |