Modelo dinámico para la generación de pronóstico usando redes neurales artificiales (RNA)

Resumen

Tradicionalmente se pronostica utilizando métodos convencionales (regresión lineal, ARIMA),con su particular enfoque en los errores inherentes a cada método. La complejidad del entornoque afrontan organizaciones, sugiere el abordaje de una metodología que genere mayor precisiónal momento de hacer estimaciones. El uso de máquinas de aprendizaje, en particular, de redesneurales, ha venido proliferándose debido a la masificación del uso de la computadora personaly a la aparición de herramientas de desarrollo cada vez más versátiles. Ahora bien, todo procesoque sea susceptible de ser vectorizado, puede ser abordado con éxito mediante el empleo demáquinas de aprendizaje. La construcción de un modelo dinámico para pronosticar permitealternativas de solución con niveles de incertidumbre mejores de los que suministra las técnicasconvencionales. El programa que se utiliza para implementar el modelo, tiene como ventaja queno requiere conocimiento en programación por parte de los usuarios. Por tanto, es bastantesencillo introducir a los participantes en el mundo del pronóstico no convencional, con el objetode apoyar la toma de decisiones.

Abstract

Dynamic model for the prediction generation using artificial neural networks (RNA)

Traditionally it is predicted using conventional methods (lineal regression, ARIMA), with theirparticular approach in the inherent errors to each method. The complexity of the environment thatconfront organizations, suggests the boarding of a methodology that generates more precision atthe moment to make estimations. The use of learning machines, in particular, of neural networks,has come being proliferated due to the PC massification and to the appearance of more and moreversatile development tools. Now then, all process that is susceptible of being vectorized, it can beapproached with success by means of the employment of learning machines. The construction of adynamic model to predict allows alternatives of solution with better levels of uncertainty of thosegiven by the conventional techniques. The program that is used to implement the pattern has anadvantage because of it doesn't require programming knowledge. Therefore, it is quite simple tointroduce the participants in the world of the non-conventional prediction, in order to support thedecision taking process.