IMPUTACIÓN DE SERIES DE TIEMPO METEOROLÓGICAS APLICANDO TÉCNICAS DE APRENDIZAJE PROFUNDO (Deep Learning)
Resumen
El presente artículo muestra los resultados de la implementación de dos técnicas de inteligencia artificial en el campo del Aprendizaje Profundo (Deep Learning) correspondiente a las redes neuronales recurrentes conocidas como Long Short-Term Memory (LSTM) y Gated Recurrent Unit (GRU) para imputar datos faltantes en series de tiempo meteorológicas correspondientes a temperaturas máximas en la región Moquegua. Los resultados alcanzados muestran la superioridad de las redes neuronales recurrentes en la imputación de brechas extensas y muy extensas de datos faltantes respecto a otras técnicas de imputación tradicionales con las que fueron comparadas.
Palabras clave
Aprendizaje Profundo; Imputación; Series de tiempo; Redes neuronales recurrentes; LSTM; GRU.
Texto completo:
PDFDOI: http://dx.doi.org/10.37260/rctd.v5i1.194
DOI (PDF): http://dx.doi.org/10.37260/rctd.v5i1.194.g173
Enlaces refback
- No hay ningún enlace refback.
Copyright (c) 2022 REVISTA CIENCIA Y TECNOLOGÍA - Para el Desarrollo - UJCM
Este obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial 4.0 Internacional.
Calle Ayacucho 393, Moquegua 18001-Perú / Teléfono 053-461535
Copyright 2017 Universidad José Carlos Mariátegui. Moquegua, Perú. Todos los derechos reservados
ISSN electrónica 2413-7057 - ISSN impresa 2411-8044
El contenido de este sitio es para todos los interesados