Predicción de Series Temporales con Redes LSTM”
Date
2024-04-24
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
En este trabajo se exploró la aplicación de Redes Neuronales Recurrentes con Memoria a Corto y Largo
Plazo (LSTM) para la predicción de series temporales y espaciales en ingeniería. Se analizó el
funcionamiento de las LSTM, su formulación matemática y proceso de aprendizaje, así como su
efectividad en la predicción de series temporales. Además, se llevó a cabo una prueba de concepto en
el área eléctrica para predecir la demanda. Los resultados demostraron que las LSTM son una
herramienta prometedora en la predicción de fenómenos complejos y pueden ofrecer soluciones
precisas y flexibles para desafíos en ingeniería, destacando su potencial en la predicción de series
temporales en diversos contextos.
Description
Keywords
Redes Neuronales Recurrentes, RNN, Memoria a Corto y Largo Plazo, LSTM, Predicción de Series Temporales, Ingeniería Electromecánica, Aprendizaje Automático, Machine Learning, Predicción de Demanda Eléctrica, Modelado de Fenómenos Dinámicos, Inteligencia Artificial,, Análisis de Datos
Citation
Endorsement
Review
Supplemented By
Referenced By
Creative Commons license
Except where otherwised noted, this item's license is described as openAccess