Home
Google Scholar
 Nothing psychological is strange to us
III Congreso Nacional de Psicología - Oviedo 2017
Universidad de Oviedo

 

Aviso Legal

SELECTED ARTICLE

Psicothema

ISSN Paper Edition: 0214-9915  

2011. Vol. 23, nº 2 , p. 322-329
Copyright © 2014


View PDF  

  

ARTIFICIAL NEURAL NETWORKS APPLIED TO FORECASTING TIME SERIES

 

Juan José Montaño Moreno, Alfonso Palmer Pol and Pilar Muñoz Gracia

Universidad de las Islas Baleares and Universidad Politécnica de Cataluña

This study offers a description and comparison of the main models of Artificial Neural Networks (ANN) which have proved to be useful in time series forecasting, and also a standard procedure for the practical application of ANN in this type of task. The Multilayer Perceptron (MLP), Radial Base Function (RBF), Generalized Regression Neural Network (GRNN), and Recurrent Neural Network (RNN) models are analyzed. With this aim in mind, we use a time series made up of 244 time points. A comparative study establishes that the error made by the four neural network models analyzed is less than 10%. In accordance with the interpretation criteria of this performance, it can be concluded that the neural network models show a close fit regarding their forecasting capacity. The model with the best performance is the RBF, followed by the RNN and MLP. The GRNN model is the one with the worst performance. Finally, we analyze the advantages and limitations of ANN, the possible solutions to these limitations, and provide an orientation towards future research.

Redes neuronales artificiales aplicadas a la previsión de series temporales. El presente estudio ofrece una descripción y una comparación de los principales modelos de Redes Neuronales Artificiales (RNA) que han demostrado ser de utilidad en la previsión de series temporales, así como un procedimiento estándar para la aplicación práctica de las RNA en este tipo de tareas. Se analizan los modelos Perceptrón Multicapa (MLP), Funciones de Base Radial (RBF), Red Neuronal de Regresión Generalizada (GRNN) y Redes Neuronales Recurrentes (RNN). Para ello, se ha utilizado una serie temporal compuesta por 244 puntos temporales. El estudio comparativo establece que el error cometido por los cuatro modelos de red analizados es inferior al 10%. De acuerdo con los criterios de interpretación de este desempeño, se puede concluir que los modelos de red presentan un alto ajuste en su capacidad de previsión. El modelo con mejor rendimiento es el RBF, seguido del RNN y MLP. El modelo GRNN es el que presenta peor rendimiento. Finalmente, se analizan las ventajas y limitaciones de las RNA, las posibles soluciones a tales limitaciones, así como una orientación de las líneas de investigación futuras.

 


View PDF
 

Home Search Contact Home