Predicción de series temporales utilizando redes neuronales

Abstract

Una serie temporal consiste en un conjunto de valores que pueden ser considerados observaciones tomadas de un cierto sistema. En particular, nos interesarán las series generadas por sistemas dinámicos. Dichos sistemas, en algunos casos, pueden ser descritos por un conjunto de ecuaciones, las que modelan el mecanismo subyacente que genera las observaciones; sin embargo, en muchos sistemas reales, esas ecuaciones son desconocidas, y la única información disponible sobre los mismos es una secuencia temporal de medidas, que forma una serie temporal. Asociada a esa serie temporal, suele existir la necesidad práctica de predecirla, es decir, conocer los valores futuros a un instante t dado. Al respecto se pueden tomar dos posturas no excluyentes: desarrollar un modelo que solamente prediga los valores siguientes de la serie, a partir de un cierto conjunto de datos históricos, o bien hacer una reconstrucción dinámica del sistema, es decir, tratar de que el modelo capte además ciertas características del sistema original de forma de hacer corresponder el comportamiento a largo plazo del sistema computacional construido (el modelo) con el exhibido por los datos observados. Los dos enfoques son aplicados en este trabajo y ejemplificados con un caso de estudio: el modelado de las ventas de gas propano licuado envasado en garrafas, tanto para su predicción como para la reconstrucción dinámica del sistema asociado. Adicionalmente se describen el análisis y la selección de las herramientas informáticas disponibles para llevar a cabo esa tarea y se exponen los principales aspectos del estado actual del arte de la teoría asociada al uso de redes neuronales aplicadas a la predicción de series temporales.