Publication: COMPARACIÓN DE UN MODELO HÍBRIDO OBTENIDO DE LA MEZCLA DE VECTORES AUTORREGRESIVOS Y LA METODOLOGÍA DE REDES NEURONALES ARTIFICIALES ANN-VAR Y UN MODELO ECONOMÉTRICO DE VECTORES AUTORREGRESIVOS (VAR) PARA LA PREDICCIÓN DEL NIVEL DE MP2.5 EN SANTIAGO DE CHILE
Date
2018
Authors
ROJAS HERRERA, ESTEFANÍA ISABEL
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
El trabajo realizado compara modelos para la predicción de material particulado MP2.5 y entrega como resultado que los modelos híbridos mejoran la precisión en el pronóstico del nivel de material particulado al mezclar modelos autorregresivos, factores meteorológicos y redes neuronales. En general, el mejor pronóstico de ANN para el caso de material particulado por hora está dado por modelo híbrido encontrado con autorregresivo 2, ventana móvil de 50, 2 capas y 20 neuronas, el mejor modelo horario se tiene que el MSE presenta una mejor de 65,7512 a 39,8348, esto es cerca del 39,41%, este modelo no incluye las variables meteorológicas como entrada adicional a la red, ya que para el caso del modelo por hora, incluirlas no entregaba buenos indicadores. Para el caso por día los modelos híbridos entregan mejores resultados incluyendo todas las variables y con ventana móvil de 20 días, pero además aquellos que tenían como entrada a la red los pronósticos del VAR y los factores meteorológicos; lo modelos presentados entregan mejores indicadores que el modelo econométrico, con una mejora del MSE de alrededor del 11% y del MAPE de aproximadamente un 17%. Además, puede verse durante el análisis que los tamaños de ventana móvil más reducidos fueron los que entregaron mejores resultados. Y Por otro lado, al variar el número de neuronas no se muestran mejorías, no pudiendo determinar algún número de neuronas por sobre otro, es decir, no es de gran importancia en la cantidad de neuronas en los modelos realizados.El uso de modelos híbridos ha resultado ser una metodología bastante eficaz al mejorar pronósticos. El mantener pronósticos cercanos ayuda en el contexto medioambiental a prevenir gran cantidad de problemas.
Este estudio compara un modelo econométrico con modelos híbridos para obtener aquel que entregue la mayor precisión en el pronóstico del material particulado, MP2.5, para un día hacia adelante y una hora adelante, con el objetivo de un análisis más completo en temas de contaminación ambiental. Específicamente, se hace uso de diferentes configuraciones de Red Neuronal Artificial (ANN) junto a un modelo econométrico, VAR y datos meteorológicos. Los modelos híbridos son capaces de capturar la relación no lineal que el modelo VAR no logra incluir. La motivación para usar modelos híbridos esta en que la integración de diferentes modelos logra recoger más información y por lo tanto mejora la capacidad de predecir en contraste con modelos separados. La capacidad predictiva de los modelos es comparada a través del MSE y MAPE. Los resultados arrojan que el modelo híbrido VAR-ANN supera al econométrico, tanto en el pronóstico por hora, como por día.
Este estudio compara un modelo econométrico con modelos híbridos para obtener aquel que entregue la mayor precisión en el pronóstico del material particulado, MP2.5, para un día hacia adelante y una hora adelante, con el objetivo de un análisis más completo en temas de contaminación ambiental. Específicamente, se hace uso de diferentes configuraciones de Red Neuronal Artificial (ANN) junto a un modelo econométrico, VAR y datos meteorológicos. Los modelos híbridos son capaces de capturar la relación no lineal que el modelo VAR no logra incluir. La motivación para usar modelos híbridos esta en que la integración de diferentes modelos logra recoger más información y por lo tanto mejora la capacidad de predecir en contraste con modelos separados. La capacidad predictiva de los modelos es comparada a través del MSE y MAPE. Los resultados arrojan que el modelo híbrido VAR-ANN supera al econométrico, tanto en el pronóstico por hora, como por día.
Description
Catalogado desde la version PDF de la tesis.
Keywords
CONTAMINACION AMBIENTAL , MP2.5 , RED NEURONAL ARTIFICIAL , VAR