Entrenamiento de redes neuronales

Tenemos series temporales, es decir, una variable x que cambia en el tiempo x_t (t=1,2,...) y nos gustaría predecir el valor de x en el instante t+h.

La predicción de series temporales mediante una red neuronal consiste en enseñarle a la red la historia de la variable en un intervalo de tiempo seleccionado y aplicar la información aprendida al futuro. Los datos pasados se presentan en las entradas de la red neuronal, y en las salidas de la red se esperan datos futuros (véase la figura 2).

Como podemos ver, aquí interviene el aprendizaje supervisado. Para obtener una predicción más precisa, puede añadirse información adicional durante el entrenamiento y la predicción, por ejemplo en forma de variables de intervención (indicadores de intervención); véase la figura 3. Sin embargo, más información no siempre significa una mejor predicción; a veces puede empeorar el proceso de entrenamiento y predicción. Siempre es necesario seleccionar información realmente relevante, si está disponible.

Pueden utilizarse varios tipos de redes neuronales para la predicción, como retropropagación (backpropagation), ART y otras. En el resto de este texto nos centraremos en la retropropagación.

Figura 2 - Entrenamiento con una serie temporal sin variables de intervención. Los puntos del
gráfico representan una serie temporal obtenida por muestreo de datos continuos.

Figura 3 - Entrenamiento de una serie temporal con un indicador de intervención