Una modificación de la metodología de regresión simbólica para la predicción de series de tiempo
##plugins.themes.bootstrap3.article.details##
En este artículo se propone una nueva metodología para la predicción de series de tiempo no lineales usando programación genética. La aproximación propuesta se basa en la incorporación del concepto de bloques funcionales y la modificación del algoritmo genético para que opere con estos. Los bloques funcionales representan modelos estadísticos bien conocidos para el pronóstico de series de tiempo. El algoritmo propuesto permite la exploración y explotación de regiones donde hay mayor posibilidad de encontrar mejores modelos de pronóstico. Para validar la aproximación propuesta, se pronosticaron dos series de tiempo Benchmark; se encontró que nuestra metodología pronostica con mayor precisión las series de tiempo consideradas en comparación con otros modelos no lineales.
Forecasting, genetic programming, artificial neural networks, genetic algorithms, nonlinear modelsPronóstico, programación genética, redes neuronales artificiales, algoritmos genéticos, modelos no lineales
BERNAL-URBINA, M. y FLORES-MÉNDEZ, A. Time series forecasting through polynomial artificial neural networks and genetic programming. Proceedings of the International Joint Conference on Neural Networks. 2008, art. no. 4634270, pp. 3325-3330
BOX, G. E. P. y JENKINS, G. M. Time Series Analysis: Forecasting and Control. 3rd Ed. Englewood Clifs, NJ: Prentice Hall, 1970.
CHEN, X.; PANG, Y.; WANG, S.Y., et al. A new integrated forecasting method. Xitong Gongcheng Lilun yu Shijian/System Engineering Theory and Practice. 2008, vol. 28, núm. 4, pp. 108-112+123.
DE MENEZES, L. M. y NIKOLAEV, N. Y. Forecasting with genetically programmed polynomial neural networks. International Journal of Forecasting. 2006, vol. 22, núm. 2, pp. 249-265.
FARAWAY, J. y CHATFIELD, C. Time series forecasting with neural networks: a comparative study using the airline data. Journal of the Royal Statistical Society: Series C (Applied Statistics). 1998, vol. 47, pp. 231-250.
KOZA, J. R. Genetic Programming: On the Programming of Computers by Means of Natural Selection. Cambridge: MIT Press, 1992.
LEE, Y. S. y TONG, L. I. Forecasting time series using a methodology based on autoregressive integrated moving average and genetic programming. Knowledge-Based Systems. 2011, vol. 24, núm. 1, pp. 66-72.
NIKOLAEV, N. Y. y IBA, H. Learning polynomial feedforward neural networks by genetic programming and backpropagation. IEEE Transactions on Neural Networks. 2003, vol. 14, núm. 2, pp. 337-350.
SETTE, S. y BOULLART, L. Genetic Programming: Principles and applications. Engineering Applications of Artificial Intelligence. 2001, vol. 14, núm. 6, pp.727-736.
SULLIVAN, R.; TIMMERMAN, A. G y WHITE, H. L. Jr. Data-Snooping, Technical Trading Rule Performance, and the Bootstrap. Journal of Finance. 1999, vol. 54, núm. 5, pp. 1647-1691.
VELÁSQUEZ, J. D.; OLAYA, Y.; FRANCO, C. J. Predicción de series temporales usando Máquinas de Vectores de Soporte. Ingeniare, Revista Chilena de Ingeniería. 2010, vol. 18, núm. 1, pp. 64-75.
WANG, W. C.; CHAU, K. W.; CHENG, C. T., et al. A comparison of performance of several artificial intelligence methods for forecasting monthly discharge time series. Journal of Hydrology. 2009, vol. 374, núm. 3-4, pp. 294-306.
WAGNER, N.; MICHALEWICZ, Z.; KHOUJA, M., et al. Time series forecasting for dynamic environments: The DyFor genetic program model. IEEE Transactions on Evolutionary Computation. 2007, vol. 11, núm. 4, pp. 433-452.
WAGNER, N.; KHOUJA, M.; MICHALEWICZ, Z., et al. Forecasting economic time series with the DyFor genetic program model. Applied Financial Economics. 2008, vol. 18, núm. 5, pp. 357-378.
ZHANG, G. Time Series forecasting using a hybrid ARIMA and neural network model. Neurocomputing. 2003, vol. 50, pp. 159-175.