II Encuentro Internacional de Matemáticas, Estadística y ... este estado del arte se evidencia una tendencia de autores a usar modelos híbridos o combinaciones ... 2. DESARROLLO

II Encuentro Internacional de Matemáticas, Estadística y Educación Matemática 2013

MÉTODOS PARA LA PREDICCIÓN DE LLUVIAS - ESTADO DEL ARTE

Jenny Bibiana Amaya Rincón* y Gustavo Cáceres Castellanos **

* Universidad Pedagógica y Tecnológica de Colombia, [email protected]

** Universidad Pedagógica y Tecnológica de Colombia, [email protected]

RESUMEN.

La predicción de diferentes eventos tales como; inundaciones, deslizamientos, tormentas, entre

otros, juegan un papel importante en el desarrollo de una región; por esto una predicción acertada

puede contribuir a la detección de situaciones que puedan afectar el desarrollo de una comunidad.

En este artículo se realiza una revisión de modelos de predicción de lluvias utilizados en la

actualidad en diferentes lugares del mundo, llevando a cabo la caracterización de dichos métodos

así como destacando sus ventajas y desventajas. Identificando los métodos: Estadísticos,

Inteligencia Artificial y algunos modelos híbridos utilizados por investigadores en la predicción de

lluvias, los cuales son apropiados para modelar datos tomados con ciertos intervalos de tiempo.

Estos métodos son usados en la actualidad por tener la capacidad de modelar datos lineales, no

lineales o lineales/no lineales, características propias de los modelos usados en la descripción de

variables climatológicas. El objeto de este trabajo es realizar un estado del arte a cerca de los

métodos utilizados para realizar predicciones en los últimos años identificando los más apropiados

para modelar series de tiempo.

ABSTRACT.

Predicting various events such as, floods, landslides, storms, among others play an important role in

the development of a region so an accurate prediction can contribute to the detection of situations

that may affect the development of a community. This article is a review of rainfall forecast models

used today in different parts of the world, carrying out the characterization of these methods and

highlighting their advantages and disadvantages. Identifying methods: Statistical, Artificial

Intelligence and hybrid models used by researchers in predicting rainfall, which are suitable for

modeling data taken at certain intervals of time. These methods are currently used for being able to

model data linear, nonlinear or linear / non-linear characteristics of the models used in the

description of climate variables. The purpose of this paper is to make a state of the art about the

methods used to make predictions in recent years identifying the most appropriate for modeling

time series.

PALABRAS CLAVE: Métodos, predicción, series de tiempo, modelo.

1. INTRODUCCIÓN.

El pronóstico de lluvias es uno de los eventos meteorológicos que inquietan a los investigadores ya

que el clima por su cambio constante es difícil de predecir; en los últimos años se han desarrollado

muchas investigaciones alrededor de este tema para lograr así mejores pronósticos de lluvias en las

cuales proponen diferentes métodos para lograr dichos pronósticos.

En la literatura se encuentran diferentes técnicas para predecir el futuro dentro de las cuáles están:

métodos estadísticos, Inteligencia Artificial y Modelos Híbridos. Dentro de los métodos estadísticos

mailto:[email protected]

mailto:[email protected]


más usados en la actualidad se encuentran: Procesos Autorregresivo Integrados de Promedios

Móviles, Regresión múltiple y Suavizado Exponencial, los métodos mencionados son más

comúnmente usados en datos lineales. Los métodos más referenciados de Inteligencia artificial son:

Algoritmos Genéticos, Inferencia Difusa, Redes Neuronales y Máquinas de Vectores soporte entre

otros, que son usualmente asociados a datos no lineales. Modelos híbridos como Red Neuronal de

Regresión generalizada donde integran diferentes modelos para lograr mejores aproximaciones

(Saima, Jaafar, Belhaouari, & Jillani, 2011).

En este estado del arte se evidencia una tendencia de autores a usar modelos híbridos o

combinaciones teniendo como base el método de Redes Neuronales Artificiales como lo hicieron

(Htike & Khalifa, 2010; Luo, Wu, & Wu, 2010; Luo & Wu, 2010; Monira, Faisal, & Hirose, 2011;

Nong, 2010; Pan & Wu, 2009; Phusakulkajorn, Lursinsap, & Asavanant, 2009; Wu, 2011)

adicionando algunos algoritmos o realizando algunas transformaciones, en estos trabajos se

demuestra el beneficio del uso de estos métodos, frente a otros por su capacidad para modelar datos

lineales y no lineales; además pueden trabajar con datos incompletos y hasta con datos paradójicos

o contradictorios.

2. DESARROLLO DEL TEMA.

I. SERIES DE TIEMPO

Predecir eventos futuros es un problema en muchas áreas, como son la economía, agronomía,

meteorología, ingeniería. En la actualidad se cuenta con una gran variedad de procedimientos y

métodos disponibles para realizar dicha tarea. Sin embargo algunos métodos resultan inapropiados

para algunas variables a predecir. Para el caso de eventos meteorológicos la gran mayoría de

variables se dan como series de tiempo ya que se toman las mediciones de las variables con ciertos

intervalos de tiempo.

Una serie de tiempo está definida como un conjunto de observaciones medidas secuencialmente a

través del tiempo y estas series de tiempo pueden ser continuas o discretas. Las principales

características de las series de tiempo son la estacionaridad, linealidad, tendencia y estacionalidad.

Según (Chatfield, 1996) los objetivos de analizar series de tiempo son:

- Descripción: describir los datos usando un resumen estadístico y/o métodos gráficos.

- Explicación: encontrar un modelo estadístico adecuado que describir el proceso de generación

de datos. Un modelo univariado.

- Predicción: estimar los valores futuros de una serie.

- Control: Buenas predicciones permiten al analista tomar medidas con el fin de controlar

cualquier proceso dado.

II. MÉTODOS DE PREDICCIÓN PARA SERIES DE TIEMPO

En la literatura son muchos los métodos utilizados para predecir lluvias y diferentes eventos

meteorológicos; los más usados han sido los modelos estadísticos; durante los últimos años los

científicos se han centrado en realizar predicciones más acertadas usando modelos que tengan en

cuenta las características de las variables meteorológicas como son patrones lineales y no lineales,

bases de datos infladas con ceros, datos faltantes entre otros, los cuales si no se tienen en cuenta en

el modelo pueden afectar las predicciones y no ser muy efectivas.


Los métodos de predicción según (Chatfield, 1996; Russell, Chiang, & Braatz, 2005) pueden ser

clasificados en tres tipos: Pronósticos subjetivos, los cuales están basados en juicios, la intuición o

cualquier otra información relevante. Métodos univariados, donde el pronóstico de una variable está

basado solo en observaciones pasadas, los métodos de este tipo son algunas veces llamados

métodos sencillos o de proyección. Métodos multivariados, cuando existe una relación causal entre

dos series, en donde los valores pasados de una serie ayudan a predecir valores futuros de otra serie,

estos métodos son llamados modelos causales. Generalmente un método de pronóstico puede

combinar más de los enfoques anteriores.

En la actualidad los métodos más usados para predecir eventos son métodos estadísticos,

Inteligencia Artificial y Modelos Híbridos, descritos a continuación:

A. Métodos estadísticos

Estos métodos son aplicados cuando los datos son lineales y los más usados para predecir series de

tiempo son: Proceso Autorregresivo Integrado de Promedio Móvil, Regresión múltiple y Suavizado

Exponencial.

Los modelos (ARIMA) trabajan con series de tiempo consideradas como estacionarias es decir con

media y varianza constante y son una versión modificada de un (ARMA), donde el término

integrado indica el hecho que el modelo es producido para repetir la integración o suma de los

procesos (ARMA) (Russell et al., 2005). Para la múltiple suma de procesos (ARMA), el modelo

(ARIMA) está dado por:

∑ ( )

∑ ( )

En la Regresión múltiple, hay más de una variable independiente. En el caso de tres variables

independientes, la ecuación de regresión múltiple es (Group, 2010):

Los modelos (MediaMóvil Autorregresiva (ARMA) combinan autoregresión y modelos media

móvil. Algunas veces también son referenciados como modelos Media Móvil Integrada

Autorregresiva (ARIMA). ARMA es una técnica de modelamiento muy potente que puede ser

usada para modelar un gran número de datos de series de tiempo estacionarias, aunque también

pueden ser aplicados a unos no estacionarios. La ecuación de un modelo ARMA para series de

tiempo está dada por (Group, 2010; Russell et al., 2005):

( ) ∑ ( )

∑ ( )

( )

El Suavizado Exponencial se usa un ajuste constante y se puede ponderar diferentes observaciones

recientes y pasadas. La fórmula para un ajuste exponencial simple es (Group, 2010):

( ) ( ) ( )

Donde es el valor pronosticado, a es el ajuste constante, y son observaciones pasadas.

El ajuste constante siempre tiene un valor entre 0 y 1.


B. Inteligencia Artificial

La Inteligencia Artificial trabaja con técnicas basadas en imitar computacionalmente las distintas

habilidades relacionadas con la inteligencia del ser humano, en especial las neuronas del ser

humano. Uno de los métodos más usados es redes neuronales el cual está basado en

aproximaciones, métodos y herramientas para series de tiempo no lineales a partir de valores

pasados. Los algoritmos genéticos en pronósticos pueden ser usados para modelar y predecir series

de tiempo no lineales.

Redes Neuronales es un sistema de proceso de información que imita la estructura y funcionamiento

del cerebro humano. Además es uno de los métodos más usados ya que está basado en

aproximaciones, métodos y herramientas para series de tiempo no lineales a partir de valores

pasados.

Los algoritmos genéticos en pronóstico de series pueden ser usados para modelar y predecir series

de tiempo no lineales. La forma más simple de estos algoritmos, es una muestra temporizada de la

serie de tiempo alimentando a la capa de entrada de una red neuronal (Russell et al., 2005). Los

algoritmos genéticos son algoritmos heurísticos basados en conceptos biológicos, especialmente

organismos de evolución, donde sus principales operaciones son herencia, mutación, selección y

cruzamiento.

Un sistema de inferencia difusa es la parte fundamental de un sistema de lógica difusa. En la

práctica, los sistemas de inferencia difusos han sido frecuentemente objeto de estudio.

Generalmente están basados en el reconocimiento de estamentos lógicos. La lógica difusa es un tipo

de razonamiento basado en el reconocimiento de que enunciados lógicos no sólo son verdaderos o

falsos (áreas blancas o negro de probabilidad), pero también pueden ir desde "casi seguro" a "muy

poco probable" (zonas grises de probabilidad).

Las Máquinas de Vectores soporte fueron desarrollados para resolver problemas de estimación de

regresión no lineal, tales como nuevas técnicas conocidas como Regresión de Vector Soporte el

cual ha mostrado buen rendimiento. Una máquina de vector soporte (SVM) es un algoritmo

computacional que analiza dos tipos de datos separables lineales y no lineales.

C. Modelos Híbridos

Para mejorar la precisión de los modelos muchos investigadores adoptaron diversos enfoques dentro

de los cuales están los modelos híbridos mediante la integración de dos o más modelos. (Saima et

al., 2011). El objetivo al desarrollar este tipo de modelos es mejorar el funcionamiento, ya que las

características de las series de tiempo tienen patrones lineales y no lineales no pueden ser

explotadas con un modelo simple entonces un modelo apropiado sería al combinar un modelo lineal

y no lineal. Ejemplos de estos modelos según (Saima et al., 2011) son: Promedio Móvil Integrado

Autorregresivo (ARIMA) con Redes Neuronales Artificiales (ARIMA_ANN), Sistema de

Inferencia Neuro Adaptativa (ANFIS) en el cual integran Sistemas de Inferencia Difusa y Redes

Neuronales, entre otros.

III. TRABAJOS REALIZADOS

La lluvia es uno de los aspectos del clima que afecta la vida diaria de una comunidad porque

depende del comportamiento de está muchos aspectos y por lo tanto cobra gran importancia poder

predecirla al igual que sus efectos secundarios como deslizamientos, inundaciones y demás


consecuencias de las temporadas invernales. Teniendo como marco este contexto en la literatura se

encuentra una gran diversidad de investigaciones acerca de la predicción de lluvias y diferentes

métodos para lograrlo como modelos estadísticos o matemáticos. A nivel nacional no es mucho lo

que se ha escrito, la gran mayoría de experiencias se han realizado a nivel mundial donde

investigadores y científicos realizan predicciones acertadas de lluvias.

Teniendo en cuenta la clasificación para los métodos de predicción de series de tiempo, a

continuación se presentan algunos trabajos que se han desarrollado durante los últimos años

permitiendo ver el avance y tendencias en el campo de la predicción de series de tiempo de lluvias.

A. Métodos estadísticos

En (Leilei, 2011) establece un modelo basado en métodos matemáticos para predecir la

precipitación mensual desde 2009 a 2013 en Wuyuan County teniendo como base los datos desde

2006 a 2008, realizando el análisis de series de tiempo para extraer ítems periódicos y estocásticos,

permitiendo extraer información importante acerca de ciclones y lluvia.

En (Shi, Wang, Yin, & Engineering, 2011),(Osarumwense, 2013), (Anokye, Kwame, & Munyakazi,

2013) usaron Promedio Móvil Integrado Autorregresivo Estacional (SARIMA) para pronosticar

series de lluvias mensuales realizando comparaciones con otros modelos, mostrando ser apropiados

para series de tiempo, ya que estas pueden ser estacionarias o no estacionarias, una serie de tiempo

es llamada estacionaria si tienen media y varianza constante. Los modelos SARIMA dependen de

las características de las series, mostrando ser apropiado para realizar predicciones.

En (Zaw & Naing, 2009), (Chinchorkar, Patel, & Sayyad, 2012) emplearon Regresión Polinomial

Multivariable (MPR) y Técnicas de Regresión Múltiples para predicciones de lluvia mensual y

anual respectivamente teniendo como base datos de varios años, ya que describe la relación de

entrada y salida no lineal compleja, este modelo es comparado con el Modelo de Regresión Lineal

Múltiple (MLR), mostrando que (MPR) genera mejores resultados que (MLR). Para estos modelos

de predicción se usaron 15 y 16 variables meteorológicas.

(Nong, 2009), en el 2009 uso un método de regresión no paramétrico el cual es apropiado para

describir la relación entre las variables independientes y dependientes, usando Algoritmo K vecinos

más próximos para realizar predicciones día por día realizando pronósticos con 42 y 46 variables,

mostrando ser apropiados para pronósticos a corto tiempo.

Tabla 1. Resumen de los Métodos Estadísticos para predicción de series de tiempo

Artículo Predicciones de

lluvia

Bases de datos Variables

Predictoras

Métodos utilizadas

Nong, 2009 Día por día

Mayo y Junio

2002 y 2003

42 y 46

variables

Algoritmo K vecinos más

próximos.

Shi y otros, 2011 Mensual 1989 a 2005 Promedio Móvil Integrado

Autorregresivo Estacional

(SARIMA).

Zaw y Naing,

2009

Mensual y anual 1970 a 2006 15 variables Regresión Polinomial

Multivariable.

Leilei, 2011 Precipitación

mensual

1999 a 2008 Análisis de series de tiempo

usando modelos matemáticos.

Osarumwense, Trimestral 1971 a 2008 Promedio Móvil Integrado


B. Inteligencia Artificial

Uno de los métodos de inteligencia artificial es Máquinas de Vector Soporte (SVM) usados en (Lu

& Wang, 2011) y (Nadjamuddin Harun, Pallu, & Achmad, 2013) para predecir lluvias mensuales y

diarias, usando bases de datos con más de 10 años, en (Lu & Wang, 2011) presentan un nuevo

modelo de combinación no lineal, mostrando varios modelos identificando la fortaleza de usar la

combinación del (SVM) para realizar predicciones. En (Nadjamuddin Harun et al., 2013) usaron

dos modelos usando cuatro variables predictoras y combinando métodos de predicción en uno

Máquinas de Vector Soporte (SVM) y métodos de lógica difusa llamado (SVM-Fuzzy) y en el otro

Redes Neuronales (NN) con lógica difusa denominado (NN-Fuzzy), mostrando mejores resultados

el modelo (SVM-Fuzzy).

Otro método de Inteligencia Artificial muy utilizado en la actualidad es Redes Neuronales

Artificiales (ANN) dada su habilidad para modelar datos no estacionarios como en (J. Wang, 2010),

(Nagahamulla, Ratnayake, & Ratnaweera, 2011), (Mohd & Alias, 2011) fue utilizado para predecir

lluvias diaria y mensual usando bases de datos de varios años. En (J. Wang, 2010) comparan

(ANN), un Modelo de Predicción para investigar el Tiempo (WRF) y regresión mostrando mejores

resultados el modelo de (ANN) para pronóstico de lluvias categóricas. En (Nagahamulla et al.,

2011) propusieron 4 modelos derivados de redes neuronales artificiales para realizar las

predicciones de lluvia mensual. En (Mohd & Alias, 2011) usan (ANN) para predecir lluvias diarias

con el fin de prevenir inundaciones teniendo en el modelo 4 variables regresoras, mostrando ser

eficiente, ya que es capaz de manejar el ruido y datos inestables, los cuales son muy típicos de

hallar en el caso de datos climáticos. Las (ANN) son un modelo apropiado para estimar valores

perdidos e ilimitados como en (Taylan, 2011) donde lo usaron para realizar predicciones de la

precipitación mensual. Igualmente las (ANN) son usados sin realizarle transformaciones como en

(Abdul & Mohammed, 2012; Agboola, Iyare, & Falaki, 2012) realizando predicciones de 4 a 10

años y series de tiempo de lluvia mensual usando 5 parámetros, mostrando ser confiable y eficiente.

En (Nong, 2010) y (Pucheta, Rivero, Herrera, Salas, & Sauchelli, 2013) usan las Redes Neuronales

Artificiales basados en estimación paramétrica para predecir lluvias diaria y mensual, en (Nong,

2010) compararon dos nuevos modelos de regresión no paramétrica (K-nn-ANN) y (SLR-ANN),

donde (K-nn-ANN) tiene un mejor rendimiento en términos de índices de ocurrencia de los

pronósticos. En (Pucheta et al., 2013) comparan dos métodos no paramétricos para pronóstico de

series de tiempo, primero un Modelo Autorregresivo No Lineal (NAR) basado en (ANNs) y la

ecuación Mackey-Glass (MG), mostrando un buen desarrollo del sistema predictor basado en ANNs

usando submuestras, aplicado a series de tiempo desde la solución de la ecuación MG y series de

tiempo de lluvia.

Dado que las (ANN) es una estructura matemática no-lineal la cual es capaz de representar

arbitrariamente procesos no-lineales complejos y el análisis Wavelet puede ser estimado como una

transformación de tiempo desde dominio temporal a dominio Wavelet (Dudul, 2011;

2013 Autorregresivo Estacional

(SARIMA).

Chinchorkar y

otros, 2012

Anual 1980 a 2005 16

parámetros

Técnicas de Análisis de

Regresión Múltiple.

Anokye y otros,

2013

Mensual 1974 a 2010 Promedio Móvil Integrado

Autorregresivo Estacional

(SARIMA).


Phusakulkajorn et al., 2009) usaron este método para predicción de lluvias diaria y mensual,

mostrando la importancia de la transformación Wavelet basada en Redes Neuronales Artificiales

como una herramienta básica para predicción de lluvia diaria y mensual.

Usar un método bayesiano es otra de las estrategias utilizadas para predicciones de series de tiempo

implementándolo con Redes Neuronales Artificiales denominado (ANN-filtrado) en el cual

cambian el número de patrones e iteraciones usando inferencia Bayesiana en concordancia con un

parámetro evaluado en cada una de las series de tiempo, en (Pan & Wu, 2009; C R Rivero,

Pucheta, Laboret, Herrera, & Sauchelli, 2013; C Rodriguez Rivero, Pucheta, Herrera, Sauchelli, &

Laboret, 2012) usaron este método para predicción de lluvias usando 12 y múltiples variables

predictoras. En (Pan & Wu, 2009) usaron un modelo de redes neuronales bayesianas basado en

Regresión mínima parcial y también usaron diferentes algoritmos ANNs, mostrando ser una

aproximación factible para predicción de lluvias.

Otras de las características de las Redes Neuronales en especial el algoritmo Propagación-atrás (BP

Redes Neuronales) son su defecto-tolerante y fuerte, auto-aprendizaje, auto-organización, no

linealidad, características de alta precisión, conveniente, intuitivo, efectivo y ampliamente usado, el

cual hace que sea una herramienta importante para predicciones, por este motivo (Gu & Wan,

2010), (Wang Yong, Xu Hong, 2010) lo usaron y algunas combinaciones para predecir lluvias para

un año y por 2 horas de adelantado, mostrando buenos resultados.

Tabla 2. Resumen de los métodos de Inteligencia Artificial para predicción de series de tiempo

Artículo Predicciones

de lluvia

Bases de

datos

Variables

Predictoras

Técnicas utilizada

Lu y Wang, 2011 Mensual 1965 a 2009 Máquina de Vector Soporte (SVM)

Nadjamuddin

Harun y otros,

2013

Diaria 2001 a 2010 4 variables Máquinas de Vector Soporte (SVM)

con lógica difusa (SVM-Fuzzy) y

Redes Neuronales (NN) con lógica

difusa (NN-Fuzzy).

Wang y otros,

2010

Diaria 24 factores Redes Neuronales Artificiales (ANN)

Nagahamulla y

otros, 2011

Mensual 10 años de

datos

Redes Neuronales Artificiales (ANN)

Mohd y Alias,

2011

Diaria 2007 a 2010. 5 variables Redes Neuronales Artificiales (ANN)

Nong, 2010 Diaria

promedio

2003 a 2007 6 variables ANNs basado en estimación no

paramétrica.

Pucheta y otros,

2013

Mensual Históricos

de lluvias

ANNs basado en estimación no

paramétrica.

Phusakulkajorn y

otros, 2009

Diaria y hasta

4 días

adelantados

1995 a 2006 Transformación Wavelet basado en

Redes Neuronales Artificiales

(ANNs).


C. Modelos Híbridos

(Saima et al., 2011) en el 2011 realizaron un estado del arte a cerca de los métodos inteligentes

enfocándose en los modelos híbridos los cuales integran uno o más modelos lineales / no lineales,

describiendo a fondo algunos como: Modelo Promedio Móvil Integrado Autorregresivo (ARIMA)

con Redes Neuronales Artificiales (ARIMA_ANN) el cual fue usado para predecir la velocidad del

viento, Sistema de Inferencia Neuro Adaptativa (ANFIS) en el cual integran Sistemas de Inferencia

Difusa y Redes Neuronales para extraer las características, entre otros. Concluyendo a partir de su

estudio que no existe un modelo apropiado para pronosticar con precisión en todas las situaciones,

ya que casi todos los modelos lineales adoptan una forma estadística y los modelos no lineales se

ajustan a las técnicas de Inteligencia Artificial (AI).

(Wu, 2011), (Abraham & Tan, 2009) desarrollaron varios modelos de regresión híbridos para

predicción de lluvias y precipitación diaria, utilizando 70 y 26 variables predictoras

respectivamente. En (Wu, 2011) usaron tres modelos de regresión lineal para capturar las

características lineales de la lluvia y tres modelos de regresión no lineales basados en ANN para

capturar las características no lineales de la lluvia. En (Abraham & Tan, 2009) desarrollaron dos

modelos: un Modelo híbrido de modelos de regresión y clasificación; y un semi-supervisado de

aprendizaje, apropiados para modelar series de tiempo con muchos ceros.

(N Harun, Pallu, & Achmad, 2013) realizan una comparación entre métodos estadísticos e

Inteligencia Artificial para predicción de lluvia diaria basados en series de datos, modelando 4

variables: humedad, velocidad del viento, temperatura y lluvia. Los métodos estadísticos utilizados

fueron ME: Promedio Móvil Integrado Autorregresivo (ARIMA) y Splines Autorregresivos de

Dudul, 2011 Mensual 1956 a 2006 ANNs con la descomposición

Wavelet.

Rodriguez Rivero

y otros, 2012

Múltiples

aleatorias

Método bayesiano implementándolo

con Redes Neuronales Artificiales

denominado (ANN-filtrado)

Pan y Wu, 2009 Precipitación

mensual

Lluvia

promedio

mensual

1954 a 2008

12 variables

predictoras

Modelo de redes neuronales

bayesianas basado en Regresión

mínima parcial. Usando diferentes

algoritmos ANNs.

Gu y Wan, 2010 Próximo año Precipitación

diaria 1953 a

1999

BP redes neuronales

Wang Yong y

otros, 2010

Predicción de

2 horas de

lluvias

lluvias en

horas en

2007

3 a 12

variables

BP neural network para predecir

horas de lluvias

Taylan, 2011 Precipitación

mensual

1975 a 2010

datos de

precipitación

mensual

Redes Neuronales Artificiales (ANN)

Rivero y otros,

2013

Lluvias

acumuladas

Método bayesiano implementándolo

con Redes Neuronales Artificiales

denominado (ANN-filtrado)

Abdul y

Mohammed,

2012

Predicciones

de 4 a 10 años

1937 a 2010 Redes Neuronales Artificiales

(ANN).

Agboola y otros,

2012

Predicción de

lluvias anual

2007-2010 5 parámetros

Redes Neuronales Artificiales

(ANN).


umbral adaptable (ASTAR); de Inteligencia Artificial una combinación de un Algoritmo Genético y

Redes Neuronales (GA-NN); mostrando mejores resultados el modelo estadístico (ASTAR).

Redes neuronales Artificiales (ANN) han sido bastante usados en modelos híbridos en (L. Wang,

2012) proponen el modelo Función de base radial con Redes Neuronales (RBF–NN) ensamblado

con Regresión con Máquina de Vectores Soporte Wavelet (W–SVR) llamado (RBF–W–SVR),

mostrando ser una herramienta alternativa para predecir lluvias mensuales. En (Akrami & El-shafie,

2013) combinan Redes neuronales Artificiales (ANN) con Sistemas de Inferencia Difusa (FIS) para

predicción de lluvias mensual, comparando los resultados con otros dos modelos Sistemas de

Inferencia Neuro-Difusa Adaptativo (ANFIS) y el modificado ANFIS (MANFIS), mostrando que

(MANFIS) puede ser aplicado para modelar datos de lluvia con características no lineales.

Tabla 3. Resumen de los modelos híbridos para predicción de series de tiempo

Artículo Predicciones

de lluvia

Bases de

datos

Variables

Predictoras

Métodos utilizadas

Wu, 2011 Diaria. 2005 a 2010 70 variables Modelo efectivo hibrido semi-

paramétrico conjunto (SRE).

Abraham y Tan,

2009

Cantidad de

precipitación

diaria.

1961 a 2001 26 variables Modelo híbrido de modelos de

regresión y un modelo semi-

supervisado de aprendizaje.

Harun y otros,

2013

Diaria. 2001 a 2010

4 variables

ME: Promedio Móvil Integrado

Autorregresivo (ARIMA) y Splines

Autorregresivos de umbral adaptable

(ASTAR) y AI: Combinación de

Algoritmo Genético y Redes

Neuronales (GA-NN).

Wang y Wu,

2012

Mensual

promedio.

1965 a 2008 Función de base radial con Redes

Neuronales (RBF–NN) ensamblado

con Regresión con Máquina de

Vectores Soporte Wavelet (W–SVR)

llamado (RBF–W–SVR)

Akrami y El-

shafie, 2013

1997 a 2008 Redes neuronales Artificiales (ANN)

con Sistemas de Inferencia Difusa

(FIS), Sistemas de Inferencia Neuro-

Difusa Adaptativo (ANFIS) y

modificado ANFIS (MANFIS).

3. CONCLUSIONES O RESULTADOS.

La predicción de lluvias es un evento que está en constante cambio, por lo tanto los investigadores

se centran en modelar series de tiempo de lluvia y además buscar modelos de predicción que tengan

en cuenta los patrones lineales y no lineales. Teniendo en cuenta estos criterios la mayoría de los

investigadores concluyen que los métodos como Redes Neuronales y modelos híbridos entre otros,

son más efectivos para modelar series de tiempo y además adicionando algunos algoritmos ofrecen

predicciones más acertadas a cerca de la predicción de lluvias a corto y largo plazo. Sin embargo se

puede concluir que no existe un modelo apropiado para pronosticar con precisión todos los eventos,

ya que todas las investigaciones encontraron un modelo apropiado para cada uno de los casos de

predicción de eventos climatológicos.


REFERENCIAS.

Abdul, B., & Mohammed, R. (2012). Application of ANN technique for rainfall forecasting over

Iraq, 3(6), 961–966.

Abraham, Z., & Tan, P.-N. (2009). A Semi-supervised Framework for Simultaneous Classification

and Regression of Zero-Inflated Time Series Data with Application to Precipitation Prediction.

2009 IEEE International Conference on Data Mining Workshops, 644–649.

doi:10.1109/ICDMW.2009.80

Agboola, A. H., Iyare, O., & Falaki, S. O. (2012). Iyare6An Artificial Neural Network Model for

Rainfall Forecasting in South-Western Nigeria ., 3(6), 188–196.

Akrami, S. A., & El-shafie, A. (2013). Improving Rainfall Forecasting Efficiency Using Modified

Adaptive Neuro-Fuzzy Inference System ( MANFIS ), 3507–3523. doi:10.1007/s11269-013-

0361-9

Anokye, M., Kwame, A., & Munyakazi, L. (2013). Modeling and Forecasting Rainfall Pattern in

Ghana as a Seasonal Arima Process : The Case of Ashanti Region, 3(3), 224–233.

Chatfield, C. (1996). The Analysis of Time Series An Introduction Fifth Edition.

Chinchorkar, S. S., Patel, G. R., & Sayyad, F. G. (2012). Development of monsoon model for long

range forecast rainfall explored for Anand ( Gujarat-India ), 4(November), 322–326.

doi:10.5897/IJWREE11.097

Dudul, S. V. (2011). Committee of artificial neural networks for monthly rainfall prediction using

wavelet transform. 2011 International Conference on Business, Engineering and Industrial

Applications, 125–129. doi:10.1109/ICBEIA.2011.5994225

Group, F. (2010). Temporal Data Mining.

Gu, N., & Wan, D. (2010). Trend Analysis of Extreme Rainfall Based on BP Neural Network,

(Icnc), 1925–1928.

Harun, N, Pallu, M. S., & Achmad, A. (2013). Statistic Approach versus Artificial Intelligence for

Rainfall Prediction Based on Data Series, 5(2), 1962–1969. doi:10.3991/ijxx.vxnx.xxx

Harun, Nadjamuddin, Pallu, M. S., & Achmad, A. (2013). A New Approach of Expert System for

Rainfall Prediction Based on Data Series, 3(2), 1805–1809.

Htike, K. K., & Khalifa, O. O. (2010). Rainfall Forecasting Models Using Focused Time-Delay

Neural Networks, (May), 11–13.

Leilei, Y. (2011). The Application of Time Series Analysis in Precipitation Forecast in Wuyuan

County, (41072171), 3063–3065.


Lu, K., & Wang, L. (2011). A Novel Nonlinear Combination Model Based on Support Vector

Machine for Rainfall Prediction. 2011 Fourth International Joint Conference on

Computational Sciences and Optimization, 1343–1346. doi:10.1109/CSO.2011.50

Luo, F., Wu, C., & Wu, J. (2010). A Novel Neural Network Ensemble Model Based on Sample

Reconstruction and Projection Pursuit for Rainfall Forecasting, (Icnc), 32–35.

Luo, F., & Wu, J. (2010). Rainfall Forecasting Using Projection Pursuit Regression and Neural

Networks. 2010 Third International Joint Conference on Computational Science and

Optimization, 488–491. doi:10.1109/CSO.2010.155

Mohd, N., & Alias, A. (2011). Rainfall forecasting using an artificial neural network model to

prevent flash floods. 8th International Conference on High-capacity Optical Networks and

Emerging Technologies, 323–328. doi:10.1109/HONET.2011.6149841

Monira, S. S., Faisal, Z. M., & Hirose, H. (2011). A Neural Network Ensemble Incorporated with

Dynamic Variable Selection for Rainfall Forecast. 2011 12th ACIS International Conference

on Software Engineering, Artificial Intelligence, Networking and Parallel/Distributed

Computing, 7–12. doi:10.1109/SNPD.2011.37

Nagahamulla, H. R. K., Ratnayake, U. R., & Ratnaweera, A. (2011). Monsoon rainfall forecasting

in Sri Lanka using artificial neural networks. 2011 6th International Conference on Industrial

and Information Systems, 305–309. doi:10.1109/ICIINFS.2011.6038085

Nong, J. (2009). Application of Nonparametric Methods in Short-Range Precipitation Forecasting.

2009 International Joint Conference on Computational Sciences and Optimization, (1), 56–58.

doi:10.1109/CSO.2009.306

Nong, J. (2010). A Novel Artificial Neural Network Ensemble Model Based on K-nn

Nonparametric Estimation for Rainfall Forecasting, (40675023), 76–80.

Osarumwense, O. (2013). Applicability of Box Jenkins SARIMA Model in Rainfall Forecasting : A

Case Study of, 4(1), 4–7.

Pan, X., & Wu, J. (2009). Bayesian Neural Network Ensemble Model Based on Partial Least

Squares Regression and Its Application in Rainfall Forecasting. 2009 International Joint

Conference on Computational Sciences and Optimization, 49–52. doi:10.1109/CSO.2009.311

Phusakulkajorn, W., Lursinsap, C., & Asavanant, J. (2009). Wavelet-transform based artificial

neural network for daily rainfall prediction in southern Thailand. 2009 9th International

Symposium on Communications and Information Technology, 432–437.

doi:10.1109/ISCIT.2009.5341209

Pucheta, J., Rivero, C. R., Herrera, M., Salas, C., & Sauchelli, V. (2013). Rainfall forecasting using

sub sampling nonparametric methods.

Rivero, C R, Pucheta, J., Laboret, S., Herrera, M., & Sauchelli, V. (2013). Time Series Forecasting

Using Bayesian Method: Application to Cumulative Rainfall, 11(1), 359–364.


Rivero, C Rodriguez, Pucheta, J., Herrera, M., Sauchelli, V., & Laboret, S. (2012). Time series

forecasting using Bayesian method : application to cumulative rainfall. IEEE.

Russell, E. L., Chiang, L. H., & Braatz, R. D. (2005). Advances in Industrial Control.

Saima, H., Jaafar, J., Belhaouari, S., & Jillani, T. a. (2011). Intelligent methods for weather

forecasting: A review. 2011 National Postgraduate Conference, 1–6.

doi:10.1109/NatPC.2011.6136289

Shi, C., Wang, H., Yin, F., & Engineering, H. (2011). Monthly Rainfall Forecasting Model With

Hidden Periodicities, 2, 1239–1242.

Taylan, D. (2011). Artificial Neural Networks for Precipitation Prediction : A Case Study on

Eğirdir, 310–314.

Wang, J. (2010). The Application of Artificial Neural Network on Forecast of Meiyu Rainfall at

Lower Yangtze River Valley, (Icnc), 1887–1891.

Wang, L. (2012). Application of Hybrid RBF Neural Network Ensemble Model Based on Wavelet

Support Vector Machine Regression in Rainfall Time Series Forecasting.

doi:10.1109/CSO.2012.195

Wang Yong, Xu Hong, G. Z. (2010). The Study of Rainfall Forecast Based on Neural Network and

GPS Precipitable Water Vapor, 17–20.

Wu, J. (2011). An Effective Hybrid Semi-parametric Regression Strategy for Artificial Neural

Network Ensemble and Its Application Rainfall Forecasting. 2011 Fourth International Joint

Conference on Computational Sciences and Optimization, 1324–1328.

doi:10.1109/CSO.2011.71

Zaw, W. T., & Naing, T. T. (2009). Modeling of Rainfall Prediction over Myanmar Using

Polynomial Regression. doi:10.1109/ICCET.2009.157

Documents

II Encuentro Internacional de Matemáticas, Estadística y ... este estado del arte se evidencia una tendencia de autores a usar modelos híbridos o combinaciones ... 2. DESARROLLO