| Journal: | Dyna (Medellín) |
| Database: | |
| System number: | 000543982 |
| ISSN: | 0012-7353 |
| Authors: | Velásquez Henao, Juan David1 Franco Cardona, Carlos Jaime1 Camacho, Paula Andrea1 |
| Institutions: | 1Universidad Nacional de Colombia, Facultad de Minas, Colombia |
| Year: | 2014 |
| Season: | Mar-Abr |
| Volumen: | 81 |
| Number: | 184 |
| Pages: | 11-19 |
| Country: | Colombia |
| Language: | Español |
| Spanish abstract | Uno de los usos más importantes de las redes neuronales artificiales es el pronóstico de series de tiempo no lineales, aunque los problemas en la construcción del modelo, tales como la selección de las entradas, la complejidad del modelo y la estimación de los parámetros, permanecen sin una solución satisfactoria. La mayoría de los esfuerzos en investigación están orientados a resolver estos problemas. Sin embargo, los modelos emergidos de la estadística podrían ser más adecuados que las redes neuronales para el pronóstico, en el sentido de que el proceso de especificación es basado enteramente en criterios estadísticos. La regresión adaptativa multivariada por tramos (MARS, por su sigla en inglés) es un método estadístico comúnmente usado para resolver problemas no lineales de regresión, y es posible usarlo para el pronóstico de series de tiempo. No obstante, faltan estudios que comparen los resultados obtenidos usando MARS y redes neuronales artificiales, con el fin de determinar cuál modelo es mejor. En este artículo, se pronostican cuatro series de tiempo no lineales usando MARS y se comparan los resultados obtenidos contra los resultados reportados en la literatura técnica cuando se usan las redes neuronales artificiales y la aproximación ARIMA. El principal hallazgo en esta investigación es que, para todos los casos considerados, los pronósticos obtenidos con MARS son inferiores en precisión respecto a otras aproximaciones. |
| English abstract | One of the most important uses of artificial neural networks is to forecast non-linear time series, although model-building issues, such as input selection, model complexity and parameters estimation, remain without a satisfactory solution. More of research efforts are devoted to solve these issues. However, other models emerged from statistics would be more appropriated than neural networks for forecasting, in the sense that the process of model specification is based entirely on statistical criteria. Multivariate adaptive regression splines (MARS) is a statistical model commonly used for solving nonlinear regression problems, and it is possible to use it for forecasting time series. Nonetheless, there is a lack of studies comparing the results obtained using MARS and neural network models, with the aim of determinate which model is better. In this paper, we forecast four nonlinear time series using MARS and we compare the obtained results against the reported results in the technical literature when artificial neural networks and the ARIMA approach are used. The main finding in this research, it is that for all considered cases, the forecasts obtained with MARS are lower in accuracy in relation to the other approaches. |
| Keyword: | Redes neuronales artificiales, Estudios comparativos, Modelos ARIMA, Métodos no paramétricos |
| Keyword: | Artificial neural networks, Comparative studies, ARIMA models, Nonparametric methods |
| Full text: | Texto completo (Ver HTML) Texto completo (Ver PDF) |
