Pronóstico de precipitación en el centro de Tungurahua aplicando aprendizaje estadístico con redes neuronales artificiales

No Thumbnail Available

Date

2023

Journal Title

Journal ISSN

Volume Title

Publisher

Universidad Técnica de Ambato. Facultad de Ingeniería en Sistemas, Electrónica e Industrial. Maestría en matemática Aplicada

Abstract

Este trabajo presenta el análisis de aplicación de redes neuronales artificiales recurrentes para el pronóstico de precipitación en la estación meteorológica de Querochaca, provincia de Tungurahua. Los datos analizados pertenecen a la lluvia del periodo de 2015 al 2021. El modelo propuesto consiste en una red neuronal artificial recurrente de 5 capas. La primera capa es la celda de memoria LSTM, que se destaca por tomar en cuenta la secuencialidad de los datos que son objeto de análisis. Además, se utilizaron 4 capas completamente conectadas , donde la primera trabaja con función de activación tanh y 100 neuronas. Las dos capas que siguen a continuación tienen función de activación relu con 500 neuronas cada una. Estas tres capas mencionadas, trabajaron con factor dropout de 0,02. La capa de salida tiene 1 neurona con función de activación purelin. La arquitectura general de la red neuronal consiste en una primera capa con celda de memoria LSTM, seguida de tres capas ocultas y finalmente la capa de salida. La red neuronal ha sido configurada para desarrollar regresión lineal. Se realizaron pruebas con 10, 50, 100, 500 y 1000 neuronas respectivamente en la segunda, tercera y cuarta capa. Además, se trabajó con 10 y 100 unidades ocultas en la celda LSTM. Se seleccionó la mejor arquitectura en base a dos indicadores de rendimiento que son el error RMSE y la gráfica de pronóstico. Los hiperparámetros de entrenamiento que más influyen sobre el pronóstico son el valor máximo de épocas y la tasa de aprendizaje inicial. En este proyecto se obtuvieron los mejores resultados utilizando pocas unidades ocultas en la celda LSTM. El mejor modelo construido en el presente trabajo presenta un error 4,4535 con una gráfica de pronóstico muy similar al comportamiento real.

Description

Keywords

REDES NEURONALES, PRONÓSTICO, PRECIPITACIÓN, LSTM, FUNCIÓN DE ACTIVACIÓN, TUNGURAHUA

Citation

Endorsement

Review

Supplemented By

Referenced By