Universidad Carlos III de Madrid OpenCourseWare Redes de Neuronas Artificiales Inés M. Galván - José Mª Valls Tema 4 Predicción de Series Temporales REDES DE NEURONAS ARTIFICIALES. INÉS M. GALVÁN, JOSÉ Mª VALLS 1 Series temporales • • • • Introducción Problema de predicción Modelos neuronales Ejemplos REDES DE NEURONAS ARTIFICIALES. INÉS M. GALVÁN, JOSÉ Mª VALLS 2 Introducción • Una serie temporal se puede definir como una colección de datos o valores de un suceso determinado a lo largo del tiempo {x(0), x(1),....x(t − 1), x(t)...} • Su evolución temporal no depende explícitamente de la variable tiempo, sino que depende de – los valores de la serie en instantes anteriores – otras variables temporales REDES DE NEURONAS ARTIFICIALES. INÉS M. GALVÁN, JOSÉ Mª VALLS 3 Introducción Ejemplo: Función logística (logistic map) Ecuación en diferencias x(t + 1) = ax(t)(1− x(t)) • • • Modeliza la evolución de poblaciones en habitats con recursos limitados, donde α es la razón de crecimiento de la población 0<a≤4 Para y x(0) entre 0 y 1 Para ciertos valores de α , la serie tiene un comportamiento caótico (ej: α =3.97) REDES DE NEURONAS ARTIFICIALES. INÉS M. GALVÁN, JOSÉ Mª VALLS 4 Introducción • • La predicción del comportamiento de una serie en el futuro es un objetivo importante en muchas áreas (economía, física, biología...) Si conocemos el proceso generador es posible construir modelos analíticos: – Ecuaciones diferenciales o ecuaciones en diferencias • describen el comportamiento de la serie en función de sus valores anteriores – En la mayor parte de los casos con datos reales, esto no es posible • Normalmente sólo se dispone de datos observados – Necesitan ser interpretados para construir un modelo aproximativo (como las redes de neuronas) REDES DE NEURONAS ARTIFICIALES. INÉS M. GALVÁN, JOSÉ Mª VALLS 5 Introducción • Ventajas de las Redes de Neuronas – Capacidad para aproximar y capturar relaciones a partir de ejemplos – Capacidad para construir relaciones no lineales – Capacidad para funcionar con • información incompleta • información con ruido – Facilidad de construcción y utilización REDES DE NEURONAS ARTIFICIALES. INÉS M. GALVÁN, JOSÉ Mª VALLS 6 Problema de predicción de series temporales • Definición del problema – Predicción del comportamiento de una serie a partir de un conjunto de muestras – Dos casos • Predicción en un paso de tiempo – Instante inmediatamente siguiente al instante actual (t+1) x(t), x(t − 1), x(t − 2)... → x(t + 1) • Predicción en múltiples pasos de tiempo – Plazo más alejado (t+1, t+2, …, t+h+1) x(t), x(t − 1), x(t − 2)... → x(t + 1), x(t + 2),...x(t + h + 1) » h: horizonte de predicción REDES DE NEURONAS ARTIFICIALES. INÉS M. GALVÁN, JOSÉ Mª VALLS 7 Problema de predicción de series temporales • La dificultad de la predicción depende del comportamiento dinámico de la serie – Hay series con comportamientos periódicos y estables • Se pueden modelar con técnicas clásicas y lineales – La metodología tradicional se basa en descomponer las series en: • tendencia • variación estacional o periódica • otras fluctuaciones irregulares REDES DE NEURONAS ARTIFICIALES. INÉS M. GALVÁN, JOSÉ Mª VALLS 8 Problema de predicción de series temporales • • • Otras series son más complejas, necesitan técnicas no lineales Las series que nos interesan son las que pueden ser descritas por modelos no lineales de regresión Recogen el comportamiento temporal de la serie en (t+1) como una función no lineal de los valores de la serie en los instantes anteriores x(t + 1) = F(x(t), x(t − 1), x(t − 2),..., x(t − r)) + e(t) El ruido blanco es una señal aleatoria que se caracteriza porque sus valores de señal en dos instantes de tiempo diferentes no guardan correlación estadística. la señal contiene todas las frecuencias y todas ellas tienen la misma potencia Donde: •F: función no lineal desconocida •e: ruido blanco gaussiano REDES DE NEURONAS ARTIFICIALES. INÉS M. GALVÁN, JOSÉ Mª VALLS 9 Modelos neuronales Modelos Estáticos • • – Perceptrón multicapa – Redes de base radial Arquitectura diseñada para búsqueda de relaciones independientes de la variable tiempo Entrada de la red: Incorporación de historia del patrón a predecir – Secuencia temporal en el pasado • Salida de la red: valor de predicción en el futuro (t+1, t+2, etc.) • Simples y fáciles de construir REDES DE NEURONAS ARTIFICIALES. INÉS M. GALVÁN, JOSÉ Mª VALLS 10 Modelos neuronales Modelos Dinámicos – Redes recurrentes • Su arquitectura está diseñada para procesamiento de información temporal • La salida no sólo depende de la entrada sino de estados anteriores de la red • Están preparadas para captar comportamientos dinámicos • Inconveniente: Complejos de construir • Menos utilizados REDES DE NEURONAS ARTIFICIALES. INÉS M. GALVÁN, JOSÉ Mª VALLS 11 Modelos neuronales estáticos Predicción en un paso de tiempo • Se considera el vector de entrada (x(t), x(t − 1), x(t − 2)... x(t − r)) • La red se usa para ajustar el modelo de predicción ~ ~ x(t + 1) = F(x(t), x(t − 1), x(t − 2)... x(t − r)) ~ representa una aproximación neuronal a la función F F ~ x (t + 1) predicción proporcionada por el modelo neuronal REDES DE NEURONAS ARTIFICIALES. INÉS M. GALVÁN, JOSÉ Mª VALLS 12 Modelos neuronales estáticos Predicción en un paso de tiempo • La red tiene r+1 entradas y una salida x(t) x(t-1) . . . Red de Neuronas x(t-r) REDES DE NEURONAS ARTIFICIALES. INÉS M. GALVÁN, JOSÉ Mª VALLS 13 Modelos neuronales estáticos Predicción en un paso de tiempo • Los patrones de entrenamiento se construyen a través de una ventana deslizante de la forma: REDES DE NEURONAS ARTIFICIALES. INÉS M. GALVÁN, JOSÉ Mª VALLS 14 Modelos neuronales estáticos Predicción en un paso de tiempo • El ajuste de los pesos se realiza para minimizar el error cuadrático medio medido en la salida • Para predecir, basta con presentar los valores de la serie en los r+1 instantes anteriores • Problema: especificación de r – Depende de la serie temporal – Se determina mediante • Análisis de la serie temporal • Prueba y error REDES DE NEURONAS ARTIFICIALES. INÉS M. GALVÁN, JOSÉ Mª VALLS 15 Modelos neuronales estáticos Predicción en múltiples pasos de tiempo – Predicción en t+h+1 (h>=1) – Predicción en el intervalo [t+1,t+h+1] t-r t-3 t-2 t-1 t t+1 t+h+1 • Dos esquemas de predicción REDES DE NEURONAS ARTIFICIALES. INÉS M. GALVÁN, JOSÉ Mª VALLS 16 Modelos neuronales estáticos Esquema de predicción 1 para múltiples pasos • • • • Utilizar de manera recurrente el modelo neuronal construido para la predicción en un paso de tiempo Dicho modelo necesita como entrada los valores de la serie en los r+1 instantes de tiempo inmediatamente anteriores ~ ~ x(t + h + 1) = F (x(t + h), x(t + h − 1), K ~ x(t + h - r)) Pero no toda la información está disponible Se utilizan como entradas al modelo neuronal los valores predichos por la red en instantes anteriores de tiempo ~ x (t + h), ~ x(t + h − 1), K ~ x(t + 1) En lugar de los valores reales, que son desconocidos: x(t + h), x(t + h − 1), K x(t + 1) REDES DE NEURONAS ARTIFICIALES. INÉS M. GALVÁN, JOSÉ Mª VALLS 17 Modelos neuronales estáticos Esquema de predicción 1 para múltiples pasos ~ ~ x (t + 1) = F (x(t), x(t − 1), x(t − 2)... x(t − r)) ~ ~ x (t + 2) = F ( ~ x (t + 1), x(t), x(t − 1),... , x(t − r + 1)) ~ ~ x (t + 3) = F ( ~ x (t + 2), x(t + 1), x(t),... , x(t − r + 2)) . . . ~ ~ ~ x (t + h + 1) = F ( x (t + h), ~ x (t + h - 1),..., ~ x (t + 1), ~x (t), ... , x(t − r + h)) REDES DE NEURONAS ARTIFICIALES. INÉS M. GALVÁN, JOSÉ Mª VALLS 18 Modelos neuronales estáticos Esquema de predicción 1 para múltiples pasos z-1 z-1 x(t) x(t-r+h) Red de Neuronas . . . REDES DE NEURONAS ARTIFICIALES. INÉS M. GALVÁN, JOSÉ Mª VALLS 19 Modelos neuronales estáticos Esquema de predicción 1 para múltiples pasos • • Entrenamiento: es igual al caso de un paso de tiempo Predicción: aplicación reiterada del modelo t-r t-1 t t+1 t+h+ 1 • Inconveniente: – Aprendizaje realizado para un paso de tiempo. – Errores cometidos en la predicción de dichos valores son propagados hacia las predicciones futuras – Se usan como entradas valores estimados REDES DE NEURONAS ARTIFICIALES. INÉS M. GALVÁN, JOSÉ Mª VALLS 20 Modelos neuronales estáticos Esquema de predicción 2 para múltiples pasos • • Predicción directa de x(t+h+1) Se construye un modelo NAR para predecir el valor x(t+h+1) a partir de la información disponible en el instante actual t x(t) x(t-1) . . . Red de Neuronas ~ x (t+h+1) x(t-d) REDES DE NEURONAS ARTIFICIALES. INÉS M. GALVÁN, JOSÉ Mª VALLS 21 Modelos neuronales estáticos Esquema de predicción 2 para múltiples pasos • Los patrones de entrenamiento se construyen a través de una ventana deslizante de la forma REDES DE NEURONAS ARTIFICIALES. INÉS M. GALVÁN, JOSÉ Mª VALLS 22 Modelos neuronales estáticos Esquema de predicción 2 para múltiples pasos • El aprendizaje de la red se realiza para minimizar el error medido en dicho instante • Tiene sentido siempre que exista una relación, desconocida a priori, entre x(t+h+1) y la secuencia(x(t),x(t-1),...,x(t-d)) • A medida que aumenta el horizonte de predicción, las relaciones entre los valores temporales de la serie se pierde REDES DE NEURONAS ARTIFICIALES. INÉS M. GALVÁN, JOSÉ Mª VALLS 23 Ejemplo de aplicación Laguna de Venecia • • • • Objetivo: predicción de mareas en la laguna de Venecia Serie: observaciones tomadas con intervalos de una hora durante la década de los 90 Se pretende predecir el nivel del agua con adelantos de 1, 4, 12, 24 y 28h Se han realizado predicciones con – – – – – • Modelos basados en ecuaciones hidrodinámicas Modelos estocásticos lineales Modelos basados en análisis no lineal de series temporales … Redes de neuronas Análisis y resultados en: Forecasting high waters at Venice Lagoon using Chaotic time series analisys and nonlinear neural netwoks. J. M. Zaldívar, E Gutiérrez, I.M. Galván, F. Strozzi and A, Tomasin. Journal of Hydroinformatics, Volumen: 02.1, 61- 84 (2000) REDES DE NEURONAS ARTIFICIALES. INÉS M. GALVÁN, JOSÉ Mª VALLS 24 Ejemplo: Venecia Planteamiento • Determinación de la estructura del modelo NAR – Estimar el número de valores de entrada • • Al analizar el espectro de frecuencias se observan periodicidades de 12 y 24 h Se considerarán modelos NAR con la siguiente estructura • • Para valores de h=1,4,12,24,28 horas Redes MLP de – 25 neuronas de entrada (x(t), x(t-1),…x(t-24)) – 1 neurona de salida (x(t+1)) REDES DE NEURONAS ARTIFICIALES. INÉS M. GALVÁN, JOSÉ Mª VALLS 25