Please use this identifier to cite or link to this item:
https://ri-ng.uaq.mx/handle/123456789/1704
Title: | DEEP LEARNING-BASED MODELLING FOR TIME SERIES |
metadata.dc.creator: | Josue Becerra Rico |
Keywords: | INGENIERÍA Y TECNOLOGÍA CIENCIAS TECNOLÓGICAS ANÁLISIS NUMÉRICO |
metadata.dc.date: | 5-Feb-2020 |
metadata.dc.degree.department: | Facultad de Ingeniería |
metadata.dc.degree.name: | Ingeniería Física |
Description: | Los desarrollos en aprendizaje profundo para problemas de series de tiempo se han mostrado prometedores para modelar datos estáticos. En este trabajo se presentará la comparación entre dos algoritmos de redes neuronales recurrentes (RNN) capaces de modelar series de tiempo no lineales con técnicas de aprendizaje profundo, utilizando el algoritmo Long Short-Term Memory (LSTM) que es una estructura para el aprendizaje de dependencias a corto y largo plazo. En contraste con Gated Recurrent Unit (GRU) (que es una variación de las redes RNN y Long Short-Term Memory ) en comparación con la Long Short-Term Memory (LSTM) tradicional, requiere menos parámetros y menos tiempo de cálculo en el procesamiento. En este trabajo, las estructuras GRU y LSTM se utilizan para abordar partículas PM10, debido a su comportamiento no lineal, se puede generar un modelo de predicción con el uso de técnicas de inteligencia artificial. |
URI: | http://ri-ng.uaq.mx/handle/123456789/1704 |
Other Identifiers: | Deep Learning Redes Neuronales Recurrentes Series de Tiempo Modelación Computacional Contaminación Ambiental |
Appears in Collections: | Ingeniería Física |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
RI004770.pdf | 25.58 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.