Pronóstico de precipitación en el centro de Tungurahua aplicando aprendizaje estadístico con redes neuronales artificiales
No Thumbnail Available
Files
Date
2023
Authors
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