Filtro predictor basado en redes neuronales para pronóstico de series temporales de lluvia acumulada empleando submuestreo

Abstract

En éste trabajo se presenta un filtro predictor basado en redes neuronales (RNs) directas para pronóstico de series temporales de alta rugosidad empleando submuestreo, contribuyendo a la nueva generación de herramientas que permiten conocer la previsibilidad de agua de lluvia. Se generan series temporales a partir de submuestrear a una serie dato original, partiendo del valor disponible más reciente hacia el más antiguo. Se usaron series provenientes de la Ecuación Mackey-Glass (MG) de 120 datos, donde se usaron para validar al algoritmo los últimos 18 valores. También se usó una serie de lluvia mensual acumulada proveniente del establecimiento Santa Francisca, Alta Gracia, Córdoba, que tiene 125 valores. Para cada una de las series generadas por el submuestreo, se ajustó a un filtro diferente basado en RNs, y cada uno de ellos genera un pronóstico que luego es promediado en su conjunto. La regla de ajuste utilizada en el proceso de aprendizaje se basa en el método Levenberg-Marquard y el desempeño del filtro propuesto se evalúa a través del índice SMAPE. En muchos casos se obtienen mejoras muy notorias respecto del resultado obtenido mediante el filtro basado en RNs sin submuestreo.

In this work, a neural networks (NN) -based predictor filter for forecasting cumulative rainfall sub-sampled time series of high roughness is presented. It is intended to contribute to the generation of tools to ascertain the predictability of rainfall. Time series are generated from a series down sample the original data, based on the latest available value to the oldest. Using series from the Mackey-Glass Equation (MG) 120 data, which were used the last 18 values to validate the algorithm . Series of monthly rainfall accumulated from Santa Francisca, Alta Gracia, Cordoba, were used which consist of 125 values. For each series generated by sub- sampling, was adjusted to a different filter based on NN, and each one generates a forecast that is then averaged together. The adjustment rule used in the learning process is based on the Levenberg-Marquard method and the proposed filter performance is evaluated by SMAPE index. In many cases very noticeable improvements are obtained with respect to the result obtained by filter based on NN without down sampling.