Publicación:
Algoritmo cromático aplicado a un modelo de regresión no lineal en pronósticos de series de tiempo

Vista sencilla de ítem
dc.contributor.advisorGómez Gómez, Jorge
dc.contributor.authorAvilés Pacheco, José Antonio
dc.contributor.authorSabie Lobo, Rafael Emiro
dc.date.accessioned2021-01-25T17:39:04Z
dc.date.available2021-01-25T17:39:04Z
dc.date.issued2021-01-18
dc.description.abstractEl presente trabajo utiliza la nueva metaheurística, algoritmo cromático para la optimización de pronósticos de series de tiempo a través de un modelo de regresión no lineal. En esta nueva propuesta se maneja el algoritmo cromático debido a sus características de codificación real y a su memoria de arranque múltiple, que le permiten ser más eficiente a la hora minimizar el error en los pronósticos del modelo, para lograr esto se utilizan indicadores estadísticos del error que contribuyen a mejorar las predicciones a cada problema específico. Además, se idean unas mejoras al modelo de regresión y al algoritmo utilizado de tal manera que se logra predecir el comportamiento de los problemas, no solo de una variable sino también de múltiples variables. Hay que resaltar que el algoritmo es capaz de hacer que sus soluciones cumplan con los supuestos o restricciones que son necesarias para poder hacer uso del modelo estudiado. El algoritmo junto con el modelo es probado en distintos problemas de una y múltiples variables proporcionando muy buenas predicciones. Además, se ejecuta en caso de estudio practico relacionado con la estimación de los precios de ganado según su tipo en la región estudiada. El desarrollo de este nuevo método genera más posibilidades para alcanzar que los pronósticos se ajusten y para mejorar cualquier tipo predicción. Esta investigación proporciona una nueva manera para minimizar los errores en los pronósticos y generar resultados de gran calidad. También demuestra que se permite establecer pronósticos tanto en problemas de una variable como en los de múltiples variables, con tiempos computacionales razonables. Esta sería una excelente estrategia para las innumerables empresas, entidades u organizaciones que requieren métodos verdaderamente eficientes que les permitan tomar las mejores decisiones.spa
dc.description.degreelevelPregradospa
dc.description.degreenameIngeniero(a) de Sistemasspa
dc.description.modalityTrabajos de Investigación y/o Extensiónspa
dc.description.tableofcontentsRESUMEN ................................................................................................................... 12spa
dc.description.tableofcontentsABSTRACT ............................................................................................................ 14spa
dc.description.tableofcontents1. INTRODUCCIÓN ............................................................................................................. 16spa
dc.description.tableofcontents1.1. PLANTEAMIENTO DEL PROBLEMA .......................................................................... 16spa
dc.description.tableofcontents2. OBJETIVOS ...................................................................................................................... 20spa
dc.description.tableofcontents2.1. Objetivo general ......................................................................................... 20spa
dc.description.tableofcontents2.2. Objetivos específicos ........................................................................................ 20spa
dc.description.tableofcontents3. JUSTIFICACIÓN .............................................................................................................. 21spa
dc.description.tableofcontents4. ALCANCE Y LIMITACIONES ....................................................................................... 23spa
dc.description.tableofcontents5. MARCO CONCEPTUAL ................................................................................................. 25spa
dc.description.tableofcontents5.1. Algoritmia y Optimización de Metaheurísticas. ................................................................ 25spa
dc.description.tableofcontents5.2. Pronósticos y Series de Tiempo ........................................................................ 33spa
dc.description.tableofcontents6. ESTADO DEL ARTE ............................................................................... 45spa
dc.description.tableofcontents7. MATERIALES Y MÉTODOS ..................................................................... 56spa
dc.description.tableofcontents8. OPTIMIZACIÓN DE PRONÓSTICOS .......................................................... 59spa
dc.description.tableofcontents8.3. Modelo de Regresión ..................................................................................................... 61spa
dc.description.tableofcontents8.3.1. Optimización del Modelo ........................................................................................... 63spa
dc.description.tableofcontents8.3.2. Función objetivo ................................................................................... 64spa
dc.description.tableofcontents8.4. Codificación de Parámetros ........................................................................................... 65spa
dc.description.tableofcontents8.5. Algoritmo Cromático ..................................................................................... 66spa
dc.description.tableofcontents8.5.1. Vecinos de escala cromática ................................................................... 67spa
dc.description.tableofcontents8.5.2. Vecinos de Inspiración y de Rotación ........................................................................ 70spa
dc.description.tableofcontents8.6. Parámetros y Pseudocódigo del Algoritmo Cromático.................................................. 74spa
dc.description.tableofcontents9. RESULTADOS Y DISCUSIONES ........................................................... 75spa
dc.description.tableofcontents9.1.1. Problema de evaluación N°1 (clase polinomial) ....................................................... 75spa
dc.description.tableofcontents9.1.2. Problema de evaluación N°2 (clase polinomial) ....................................................... 76spa
dc.description.tableofcontents9.1.3. Problema de evaluación N°3 (clase racional) ............................................................ 76spa
dc.description.tableofcontents9.1.4. Problema de evaluación N°4 (clase diversa) .................................................................... 77spa
dc.description.tableofcontents10. CONCLUSIONES ............................................................................................ 99spa
dc.description.tableofcontents11. RECOMENDACIONES ...............................................................................................101spa
dc.description.tableofcontents12. BIBLIOGRAFÍA ................................................................................................103spa
dc.description.tableofcontentsANEXOS Y DIAGRAMAS APLICATIVO ..................................................................................................106spa
dc.description.tableofcontentsPseudocódigo del algoritmo. ............................................................................................... 106spa
dc.format.mimetypeapplication/pdfspa
dc.identifier.urihttps://repositorio.unicordoba.edu.co/handle/ucordoba/3946
dc.language.isospaspa
dc.publisher.facultyFacultad de Ingenieríaspa
dc.publisher.placeMontería, Córdoba, Colombiaspa
dc.publisher.programIngeniería de Sistemasspa
dc.rightsCopyright Universidad de Córdoba, 2020spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)spa
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/spa
dc.subject.keywordsForecastsspa
dc.subject.keywordsMetaheuristicsspa
dc.subject.keywordsTime seriesspa
dc.subject.proposalPronósticosspa
dc.subject.proposalMetaheurísticasspa
dc.subject.proposalSeries de tiempospa
dc.titleAlgoritmo cromático aplicado a un modelo de regresión no lineal en pronósticos de series de tiempospa
dc.typeTrabajo de grado - Pregradospa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1fspa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/bachelorThesisspa
dc.type.redcolhttps://purl.org/redcol/resource_type/TPspa
dc.type.versioninfo:eu-repo/semantics/submittedVersionspa
dcterms.referencesA.J. Nebro, J. D.-N. (2009). smpso: a new pso-basedmethaeuristicformulti-objetive optimization. Obtenido de www.IEEEpressspa
dcterms.referencesAlsmadi, M. K., Omar, K. B., Noah, & A., S. (2009). Back Propagation Algorithm: The Best Algorithm Among the Multi-layer Perceptron Algorithm. International Journal of Computer Science and Network Security.spa
dcterms.referencesBarreras Serrano, A., Eduardo, S. L., & Figueroa Saavedra, F. (2014). Uso de un modelo univariado de series de tiempo para la predicción, en el corto plazo, del comportamiento de la producción de carne de bovino en Baja California, México. *Instituto de Investigaciones en Ciencias Veterinarias de la Universidad Autónoma de Baja California.spa
dcterms.referencesBehnamian, J., & Ghomi, F. (2009). Development of a PSO–SA hybrid metaheuristic for a new comprehensive. Elsevier.spa
dcterms.referencesBotero, S., & Cano, J. (2008). Análisis de series de tiempo para la predicción de los precios de la energía en la bolsa de Colombia. CUADERNOS DE ECONOMÍA 48, 2008spa
dcterms.referencesBox, G. E., Jenkins, G. M., & Reinsel, G. C. ( 2015.). Time Series Analysis: Forecasting and. Wileyspa
dcterms.referencesBrockwell, P. J., & Davis, R. A. (2010). Introduction to Time Series and Foirecasting. Springerspa
dcterms.referencesBurke, E., Cowling, P., & Landa silva, J. (2006). Hybrid Population-Based Metaheuristica Approachsfor. the space a llocation problem. Obtenido de www.ieeepress.spa
dcterms.referencesCastillo, O. (2007). Comportamiento temporal de los precios del ganado macho de levante de primera en Sincelejo. Temas Agrarios Universidad de Córdoba, Departamento de Ingeriría Agronómica y Desarrollo Rural. .spa
dcterms.referencesCastillo, O. (2007). Estacionalidad, ciclos y volatilidad en los precios del ganado macho de levante en Montería, Colombia. Rev MVZ, Cordobaspa
dcterms.referencesCastro, P., & V, F. (2008). Mobais: A Bayesian Artificial Immune System For Muti-Objectives Optimization. 7 th international conference. phuket thailand.spa
dcterms.referencesChatfield, C. (2004). The Analysis of Time Series: An Introduction. MA: Chapman & Hall .spa
dcterms.referencesCortés, P., García, J. M., Muñusuri, J., & Onieva, L. (2008). Viral System: A New Bio-Inspired Optimization Aproach. Computers y Operation Reseach 35, 2841.spa
dcterms.referencesDe Gooijer, J. G., & Hyndman, R. J. (2006). 25 years of time series forecasting. Elseviespa
dcterms.referencesEspinosa, J., Vélez, & A. (2017). Descripción y pronóstico de la producción de carne de bovino en el estado de Tabasco. Actas Iberoamericanas en Conservación Animalspa
dcterms.referencesEye, A. V., & Schuster, C. (1998). Regression analysis for social sciences (1st ed.). . San Diego: Academic Press.spa
dcterms.referencesHastie, T., Tibshirani, R., & Friedman, J. (Springer). The elements of statistical learning: data mining, inference and prediction. 2009.spa
dcterms.referencesINACAP. (2003). Manual de Analisis y Diseño de Algoritmos. 18. Obtenido de www.innformatica.INACAP.clspa
dcterms.referencesKang Seok, L., & Zong woo, G. (2004). A New Structural Optimization Method Basedon The Harminy Search Algorithm. Obtenido de www.sciencedirect press.spa
dcterms.referencesKantz, H., & Schreiber, T. (2009 ). Nonlinear Time Series Analysis. Springer Series in Statisticsspa
dcterms.referencesLeung, S. C., & DefuZhang, C. T. (2010). A Hybrid simulater annealing methaeuristic. Obtenido de www.algorithmforthetwo-dimencionalknapsackpackingproblemsciencedirectpressspa
dcterms.referencesLópez, S. (2019). Determinantes del precio del ganado gordo bovino en pie de Medellín y Bogotá: 2009- 2019. Medellín, Colombia: Escuela de Economía y Finanzas - Universidad EAFIT.spa
dcterms.referencesMelian, B., J.A.Moreno, & Moreno, J. (2003). Methaeuristicas: A Global View. Universidad de la Laguna.spa
dcterms.referencesMontgomery, D. C. (2004). Desing and analysis of experiments book. 458-459.spa
dcterms.referencesNader, A., & Zolfaghari, S. L. (2007). A New Meta-Heuristic Approach For Cominatorial Optimization And Scheduling Problems. 7-14. Obtenido de www.ieeepress. ob . (s.f.). 25, 26.spa
dcterms.referencesRasmussen, R. (2004). On time-series data and optimal parameters. . Omega, 32,111–120.spa
dcterms.referencesRÌos, G. (2008). Series de Tiempo. Santiago: Departamento de Ciencias de la Computación - Universidad de Chile.spa
dcterms.referencesRodríguez Rivero, C. (2016). Modelos no lineales de pronóstico de series temporales basados en inteligencia computacional para soporte en la toma de decisiones agrícolas. Córdoba, Argentina: Facultad de Ciencias Exactas, Físicas y Naturales - UNIVERSIDAD NACIONAL DE CÓRDOBAspa
dcterms.referencesRuiz, U. V. (2003). Manual de Análisis y Diseño de Algoritmos. INACAP.spa
dcterms.referencesSabie, R. (2011). Un nuevo método de optimización que se fundamenta a través de un algoritmo de búsqueda basado en la escala cromática de las notas musicales. Montería, Córdoba, Colombia: Universidad de Córdoba.spa
dcterms.referencesSebastián Urrutia, I. l. (2005). a new metheuristic and its application to the steiner problem in graphs. universidad de buenos aires.spa
dcterms.referencesShumway, R. H., & Stoffer. (2011). Time Series Analysis and its Applications. Springer.spa
dcterms.referencesSilver, E. (2004). An Overview Of Heuristic Solution Methods. The Journal Of The Operational Research Society, 55(9), 936- 956.spa
dcterms.referencesTong, H. (1990). Non-linear Time Series: A Dynamical System Approach. Oxford: Oxford University Press.spa
dcterms.referencesTsolacos, S. (2006). An assessment of property performance forecasts, consensus versus econometric. . Journal of Property Investment & Finance, 24,386–399spa
dcterms.referencesWeigend, A. S., Huberman, B. A., & Rumelhart, D. E. (1990). Predicting the future: a connectionist approach. International Journal of Neural Systems, 193-209.spa
dcterms.referencesWerbos, P. (1974). Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences. Cambridge: PhD thesis, Harvard University, Cambridge, MA (1974).spa
dcterms.referencesYu, X., Efe, M. O., & Kaynak, O. (s.f.). A General Backpropagation Algorithm for Feedforward Neural Networks Learning. IEEE, 2002spa
dcterms.referencesZhang, G. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Elsevierspa
dcterms.referencesZhang, G. P., & M., K. D. (2007). Quarterly Time-Series Forecasting With Neural Networks. EEE TRANSACTIONS ON NEURAL NETWORKS.spa
dspace.entity.typePublication
oaire.accessrightshttp://purl.org/coar/access_right/c_abf2spa
oaire.versionhttp://purl.org/coar/version/c_ab4af688f83e57aaspa
Archivos
Bloque original
Mostrando 1 - 2 de 2
Miniatura
Nombre:
TRABAJO DE GRADO FINAL ING SISTEMAS 20 OCTUBRE ult.pdf
Tamaño:
1.42 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
No hay miniatura disponible
Nombre:
Formato_Autorización Jose_Rafael_JG.pdf
Tamaño:
295.19 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
14.48 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Colecciones
F.E.A. Trabajos de Investigación y/o Extensión