Predicción de Series Temporales a largo plazo
mediante algoritmos Meta-Evolutivos y RNFBR
E. Parras-Gutierrez, V.M. Rivas,
M.J. Olmo,
A. Fernandez, M. Cillero
Grupo SIMIDAT
Universidad de Jaén
CRTS de Granada

Objetivo

Diseñar un algoritmo que permita:

Evolucionar RNFBR para predicción de series
temporales

Evolucionar conjuntos de retardos susceptibles de
ser usados en la predicción

Minimizar o eliminar el preprocesamiento de la
serie a utilizar

Resultado:

E-tsRBF RNFBR + Retardos = Predicción
09-Sep-2010 SICO'2010 - Valencia 2

Redes Neuronales de Funciones Base Radiales

Red con dos capas:

Oculta: Neuronas cuya función de activación es
una función base radial

Salida: Suma ponderada de los valores
procedentes de la capa oculta
Centro {c1,...,cn}

Radio

Forma
w3
w2
{X1,...Xn} y
w1
w0
09-Sep-2010 SICO'2010 - Valencia 3

Evolución de RNFBR

Evolución de la arquitectura

Evolución de los parámetros de neuronas
ocultas

Evolución del conjunto de datos:

Selección de instancias

Selección de variables
E-tsRBF aborda los tres problemas simultáneamente
para el caso de predicción de Series Temporales
09-Sep-2010 SICO'2010 - Valencia 4

Método E-tsRBF
E-tsRBF
001001001110
10000000001
EvRBF
fitness
00110011100
09-Sep-2010 SICO'2010 - Valencia 5

Método E-tsRBF
E-tsRBF
Individuo:
001001001000
t0+h=f(t2+t5+t8)
Algoritmo CHC:
- Crossover HUX
- Prevención de incesto
- Reinicialización
- Mutación Adder/deleter
Fitness: 1/RMSE
- RMSE es devuelto por la mejor red
hallada por EvRBF
09-Sep-2010 SICO'2010 - Valencia 6

Método E-tsRBF
E-tsRBF
EvRBF
Individuo: RNFBR
Operadores:
-Cruzar y mutar centros
-Cruzar y mutar radios
-Añadir y quitar neuronas
Fitness:
-Entrenamiento y validación
-1/RMSE
09-Sep-2010 SICO'2010 - Valencia 7

Experimentación
● Cuatro series temporales
– Crest y Colgate; cuota de mercado y precio
● Cinco métodos alternativos
– RBFN
– Regresión cuadrática polinomial
– Programación Evolutiva de Redes Neuronales
(NNEP)
– Sistemas Difusos:
• Fuzzy-SAP
• Fuzzy-WM
09-Sep-2010 SICO'2010 - Valencia 8

Experimentación
● Predicción a horizonte = 100
● Cada algoritmo se ejecuta 10 veces
● Parámetros por defecto en aplicación KEEL
● Para el resto de algoritmos se utilizan los retardos
más representativos devueltos por la FAPE
09-Sep-2010 SICO'2010 - Valencia 9

Resultados
1,00E+002
1,00E+001
1,00E+000 E-tsRBF
NNEP
Fuzzy-SAP
Reg.Pol.
1,00E-001 RBFN
Fuzzy-WM
1,00E-002
1,00E-003
Colgate MS Colgate PR Crest MS Crest PR
09-Sep-2010 SICO'2010 - Valencia 10

Conclusiones
E-tsRBF encuentra:
– Una RNFBR capaz de predecir una ST
– Un conjunto de retardos que influyen en dicha
predicción
– Ambos elementos están totalmente relacionados
– No es necesario pre-procesamiento de los datos
Para predicciones a largo plazo E-tsRBF devuelve
mejores predicciones
Pasar de un modelo Meta-Evolutivo a Co-Evolutivo
09-Sep-2010 SICO'2010 - Valencia 11

Gracias
Víctor Manuel Rivas Santos
vrivas@ujaen.es
09-Sep-2010 SICO'2010 - Valencia 12