J.C. González-Avella y J. M. Tuduri
Debido a la versatilidad y a la capacidad adaptativa que presentan las Redes Neuronales artificiales (RNs), en los últimos años su uso en la automatización para la resolución de distintas tareas tales como las de clasificación y predicción entre otras, han experimentado un rápido crecimiento en distintos campos de conocimiento, hasta el punto de incorporarlas como herramienta indispensable en distintos contextos para la toma de decisión a tiempo real, como por ejemplo, en el uso de las RNs en coches autónomos. Este auge del uso de las RNs es debido en parte a que recientemente se han desarrollado distintas herramientas computacionales que permiten que su diseño e implementación sea bastante fácil sin reducir su eficiencia.
Dentro de éste contexto, en está propuesta se introduce el uso de RNs como nuevo enfoque para tratar el problema del análisis y predicción de series temporales . En contraste con las técnicas tradicionales usadas para este fin, como los son los modelos de predicción auto-regresivos, entre otros; este enfoque no sólo incorpora como parámetro de análisis los datos de la evolución de su propia historia, sino que incluye también como parámetro de entrada para el análisis de la serie, el efecto de agentes o variables externas que tienen influencia en el comportamiento de la serie en estudio . Estas variables externas y sus efectos muchas veces no son consideradas en métodos tradicionales debido a la dificultad para incorporarlas al análisis.
En particular, proponemos el uso de un tipo de red neuronal recurrente, conocida como “Long Short-Term Memory Network” (LSTM) . A diferencia de las RNs tradicionales, en lugar poseer neuronas de manera clásica, las redes LSTM tienen como neuronas bloques de memoria que están conectados a través de capas. Estos bloques de memoria facilitan la tarea de recordar valores para largos o cortos períodos de tiempo, por lo tanto, el valor almacenado no es reemplazado (al menos a corto plazo) de forma iterativa en el tiempo, y el término de gradiente no tiende a desaparecer cuando se aplica la retro-propagación (método de aprendizaje) durante el proceso de entrenamiento, tal y como acontece en e uso de las RNs clásicas.
Finalmente, como casos de estudio y para demostrar el grado de éxito del método, aplicamos este enfoque al estudio del consumo eléctrico en la población de Sóller, (Mallorca), y el estudio del consumo eléctrico en la isla de Tenerife. El objetivo es mostrar cómo, con esta metodología se puede predecir el consumo eléctrico de las poblaciones con un grado de precisión que ronda el 93%. Para ambos casos, para el entrenamiento de la LSTM hemos introducido como parámetros de entrada la serie histórica de consumo eléctrico para un periodo de tiempo determinado y la serie histórica del valor de la temperatura, como variable externa para el mismo periodo de tiempo.