2024-05-132024-05-132024-04-24http://hdl.handle.net/20.500.12272/10765En 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.plainspaopenAccesshttp://creativecommons.org/licenses/by-nc-nd/4.0/Attribution-NonCommercial-NoDerivatives 4.0 InternacionalRedes Neuronales RecurrentesRNNMemoria a Corto y Largo PlazoLSTMPredicción de Series TemporalesIngeniería ElectromecánicaAprendizaje AutomáticoMachine LearningPredicción de Demanda EléctricaModelado de Fenómenos DinámicosInteligencia Artificial,Análisis de Datosinfo:eu-repo/semantics/reportNicolás Francisco Moguilner RehCreative Commons / Atribución-Sin Obras derivadas-doi