Revista: | Dyna (Medellín) |
Base de datos: | PERIÓDICA |
Número de sistema: | 000363114 |
ISSN: | 0012-7353 |
Autores: | Velásquez Henao, Juan David1 Rueda Mejía, Viviana María Franco Cardona, Carlos Jaime1 |
Instituciones: | 1Universidad Nacional de Colombia, Escuela de Sistemas, Medellín, Antioquia. Colombia |
Año: | 2013 |
Periodo: | Ago |
Volumen: | 80 |
Número: | 180 |
Paginación: | 4-8 |
País: | Colombia |
Idioma: | Inglés |
Tipo de documento: | Artículo |
Enfoque: | Aplicado, descriptivo |
Resumen en español | La combinación de modelos SARIMA y redes neuronales son una aproximación común para pronosticar series de tiempo no lineales. Mientras la metodología SARIMA es usada para capturar las componentes lineales en la serie de tiempo, las redes neuronales artifi ciales son aplicadas para pronosticar las no-linealidades remanentes en los residuos del modelo SARIMA. En este artículo, se propone un modelo simple no lineal para el pronóstico de series de tiempo obtenido por la combinación de un modelo SARIMA y una neurona simple multiplicativa que usa las mismas entradas del modelo SARIMA. Para evaluar la capacidad de la nueva aproximación, la demanda mensual de electricidad en el mercado de energía de Colombia es pronosticada y comparada con los modelos SARIMA y la neurona simple multiplicativa |
Resumen en inglés | The combination of SARIMA and neural network models are a common approach for forecasting nonlinear time series. While the SARIMA methodology is used to capture the linear components in the time series, artifi cial neural networks are applied to forecast the remaining nonlinearities in the shocks of the SARIMA model. In this paper, we propose a simple nonlinear time series forecasting model by combining the SARIMA model with a multiplicative single neuron using the same inputs as the SARIMA model. To evaluate the capacity of the new approach, the monthly electricity demand in the Colombian energy market is forecasted and compared with the SARIMA and multiplicative single neuron models |
Disciplinas: | Ingeniería |
Palabras clave: | Ingeniería eléctrica, Mercado de energía, Demanda de energía, Modelos no lineales, Predicción, Redes neuronales artificiales, Series de tiempo |
Keyword: | Engineering, Electrical engineering, Energy market, Energy demand, Nonlinear models, Prediction, Artificial neural networks, Time series |
Texto completo: | Texto completo (Ver PDF) |