Implementación web de redes neuronales artificiales aplicadas a la predicción de series de tiempo

Abstract

In this Project we show the development and deployment of a web platform with two kinds of artificial Neural Networks applied to forecast time series. It has been developed with the language of programming Python and use Extjs 4 for the client side. Allows the simulation of multilayer perceptron and neural networks based on radial basis functions. For the first algorithm it is used as the resilient backpropagation learning, which attempts to minimize the mean square error function to adjust the network weights. The training process of the RBF network is performed in two phases, using initially unsupervised learning, through the algorithm of k-means, for the centers of the radial basis function, subsequently standard deviations are found by the LMS algorithm and adjustment of the weights is obtained with the rule of the pseudo-inverse. The inputs to the simulation platform have to be imported through files (.csv) format, once we have obtained the results are graphically represented each of them. Simulations performed on a time series basis allow to obtain a good approximation in that is known if the variable value will increase or decrease. But because the algorithms implemented require expensive hardware, we need to look for alternatives such as parallel computing and optimization algorithms implemented.

En el presente proyecto se presenta el desarrollo e implementación de una plataforma web de dos tipos de redes neuronales artificiales aplicadas a la predicción de series de tiempo. Está desarrollada bajo el lenguaje de programación Python y utiliza ExtJs como framework javascript para la construcción de las interfaces gráficas de usuario. Permite realizar la simulación del perceptrón multicapa y las redes neuronales basadas en funciones de base de radial. Para la primera se utiliza como algoritmo de aprendizaje el resilient backpropagation, el cual busca minimizar la función del error cuadrático medio para ajustar los pesos de la red. El proceso de entrenamiento de la red RBF se realiza en dos fases, utilizando inicialmente aprendizaje no supervisado, a través del algoritmo de los k-means, para obtener los centros de las funciones de base radial,posteriormente, se hallan las desviaciones estándar mediante el algoritmo LMS y el ajuste de los pesos se obtiene con la regla de la pseudo-inversa. Las entradas a la plataforma para realizar la simulación deben importarse a través de archivos en formato (.csv), una vez se han obtenido los resultados se permite representar gráficamente cada uno ellos. Las simulaciones realizadas en base a series de tiempo permitieron obtener una buena aproximación en la que se conoce si el valor de la variable crecerá o decrecerá. Sin embargo debido a que los algoritmos implementados requieren un hardware de alto costo,se deben buscar otras alternativas como la computación en paralelo o la optimización de los algoritmos implementados.