Título

Máquinas de soporte vectorial en el análisis de series de tiempo

Autor

ENRIQUE RIVERA CASTILLO

Nivel de Acceso

Acceso Abierto

Licencia

http://creativecommons.org/licenses/by-nc-nd/4.0

Materias

EvapotranspiraciónRed neuronalPredicciónMáquina de soporte vectorialEvapotranspirationNeural networkForecastingSupport vector machineEstadísticaMaestría CIENCIAS SOCIALES - (CTI)

Resumen o descripción

Tesis (Maestría en Ciencias, especialista en Estadística).- Colegio de Postgraduados, 2012.

Consejo Nacional de Ciencia y Tecnología (CONACYT).

La evapotranspiración de referencia (ETo) es un proceso no lineal empleado para determinar la cantidad de agua utilizada en los programas de irrigación. El nivel de precisión de esta variable a partir de datos históricos, ha sido siempre fundamental. En este trabajo, se presenta una aplicación de las Máquinas de Soporte Vectorial (SVMs) para la predicción de ETo y se compara su capacidad predictiva con otras dos metodologías de predicción: Redes Neuronales Artificiales de Multicapa (MLP) y modelos Autoregresivos Integrados de Promedio Móvil (ARIMA). Se propone un algoritmo heurístico de refinamiento para la implementación de las SVM resultando en una predicción mucho mejor que la obtenida con los otros dos métodos. La capacidad de predicción fue evaluada utilizando el Error Porcentual Medio Absoluto (MAPE). _______________ SUPPORT VECTOR MACHINES IN THE TIME SERIES ANALYSIS. ABSTRACT: Reference crop evapotranspiration (ETo) is a non linear process used to determine the quantity of water used in irrigation programs and the level of accuracy of the prediction of this variable from historical data has always been fundamental. In this work, we present an application of Support Vector Machines (SVMs) for ETo forecasting and compare its prediction capacity with two other prediction methodologies: Multi Layer Perceptron (MLP) neural networks and Auto-Regressive Integrated Moving Average (ARIMA) models. A proposed heuristic re nement algorithm for the implementation of the SVM gave a very good forecasting, much better than those obtained with the other two methods. Forecasting capacity was evaluated using the Mean Absolute Percentage Error (MAPE).

Fecha de publicación

2012

Tipo de publicación

Tesis de maestría

Recurso de información

http://hdl.handle.net/10521/1693

Idioma

Español

Repositorio Orígen

COLPOS DIGITAL

Descargas

0