A stacking neuro-fuzzy framework for time series forecasting from distributed data sources : the case of Rainfall-Runoff modeling
Fecha
2021-02
Autores
Profesor Guía
Formato del documento
Thesis
ORCID Autor
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad de Valparaíso
Ubicación
ISBN
ISSN
item.page.issne
item.page.doiurl
Facultad
Departamento o Escuela
Facultad de Ciencias. Instituto de Estadística
Determinador
Recolector
Especie
Nota general
Doctor en Estadística. Universidad de Valparaíso. 2021.
Resumen
Los modelos Neuro-Difusos han surgido como un enfoque útil para el pronóstico de series de tiempo dada la capacidad de las redes neuronales para optimizar los parámetros en un sistema difuso. Sin embargo, las estructuras de aprendizaje deben considerar que la información se puede obtener de diferentes tipos de instrumentos, diseños experimentales y otros tipos de fuentes. Teniendo en cuenta que la mayoría de los enfoques de Stacking se basan en la tarea de clasificación, el objetivo de este trabajo fue proponer un nuevo modelo Stacking Neuro-Difuso para la tarea de regresión en el pronóstico de series de tiempo. Esta propuesta fue desarrollada tomando como caso de estudio el fenómeno de modelado de Precipitación- Caudal. El modelo propuesto comprende dos módulos: el nuevo método Self-Identification Neuro-Fuzzy Inference model (SINFIM) desarrollado para el pronóstico individual y el Self-Organizing Neuro-Fuzzy Inference System (SONFIS) como herramienta de stacking. Los datos de dos cuencas hidrográficas chilenas (el río Diguillín (Región de Ñuble) y el río Colorado (Región de Maule)) y la escorrentía diaria promedio y la precipitación diaria promedio registrada de dieciocho años fueron recolectados de la Dirección General de Aguas de Chile (DGA). Los resultados experimentales mostraron un buen ajuste en las predicciones individuales de caudal, con estaciones meteorológicas mostrando índices de ajuste y eficiencia superiores al 80 % en el conjunto de validación, pudiendo predecir eficientemente tanto valores altos como bajos de escorrentías. Sin embargo, se obtuvieron mejores resultados con el modelo de Stacking, siendo superior a las predicciones de escorrentía individuales y otros enfoques como el promedio, regresión lineal múltiple (MLP), Red neuronal artificial (ANN) y Sistema de Neuro-Inferencia adaptativa (ANFIS). Por lo tanto, el marco general propuesto representa una alternativa sólida para pronosticar (en el caso de estudio) la escorrentía en una cuenca determinada, ya que obtiene buenos índices de desempeño y el enfoque de fusión puede mejorar la predicción y obtener valores más precisos que los modelos individuales.
Descripción
Lugar de Publicación
Auspiciador
Palabras clave
SERIES DE TIEMPO, CUENCAS HIDROGRAFICAS, RED NEURONAL ARTIFICIAL