Search

Este trabajo presenta la comparación de los resultados de las técnicas heurísticas de ABC colonias de abejas artificiales (Artificial Bee Colony) y PSO enjambres de partículas (Particle Swarm Optimization) que son utilizadas para la estimación de parámetros de modelos de regresión no lineal. Los algoritmos fueron probados sobre 27 bases de datos de la colección NIST(2001), de las cuales 8 son consideradas con un alto grado de dificultad, 11 con un grado de dificultad medio y 8 con un grado de dificultad bajo. Se presentan los resultados experimentales. This paper shows the comparison results of ABC (Artificial Bee Colony) and PSO (Particle Swarm Optimization) heuristic techniques that were used to estimate parameters for nonlinear regression models. The algorithms were tested on 27 data bases from the NIST collection (2001), 8 of these are considered to have high difficulty, 11 medium difficulty and 8 low difficulty. Experimental results are presented.

This paper shows the comparison results of ABC (Artificial Bee Colony) and PSO (Particle Swarm Optimization) heuristic tech- niques that were used to estimate parameters for nonlinear regression models. The algorithms were tested on 27 data bases from the NIST collection (2001), 8 of these are considered to have high difficulty, 11 medium difficulty and 8 low difficulty. Experimental results are presented. Este trabajo presenta la comparación de los resultados de las técnicas heurísticas de ABC colonias de abejas artificiales (Artificial Bee Colony) y PSO enjambres de partículas (Particle Swarm Optimization) que son utilizadas para la estimación de parámetros de modelos de regresión no lineal. Los algoritmos fueron probados sobre 27 bases de datos de la colección NIST(2001), de las cuales 8 son consideradas con un alto grado de dificultad, 11 con un grado de dificultad medio y 8 con un grado de dificultad bajo. Se presentan los resultados experimentales.

Uno de los usos más importantes de las redes neuronales artificiales es el pronóstico de series de tiempo no lineales, aunque los problemas en la construcción del modelo, tales como la selección de las entradas, la complejidad del modelo y la estimación de los parámetros, permanecen sin una solución satisfactoria. La mayoría de los esfuerzos en investigación están orientados a resolver estos problemas. Sin embargo, los modelos emergidos de la estadística podrían ser más adecuados que las redes neuronales para el pronóstico, en el sentido de que el proceso de especificación es basado enteramente en criterios estadísticos. La regresión adaptativa multivariada por tramos (MARS, por su sigla en inglés) es un método estadístico comúnmente usado para resolver problemas no lineales de regresión, y es posible usarlo para el pronóstico de series de tiempo. No obstante, faltan estudios que comparen los resultados obtenidos usando MARS y redes neuronales artificiales, con el fin de determinar cuál modelo es mejor. En este artículo, se pronostican cuatro series de tiempo no lineales usando MARS y se comparan los resultados obtenidos contra los resultados reportados en la literatura técnica cuando se usan las redes neuronales artificiales y la aproximación ARIMA. El principal hallazgo en esta investigación es que, para todos los casos considerados, los pronósticos obtenidos con MARS son inferiores en precisión respecto a otras aproximaciones. One of the most important uses of artificial neural networks is to forecast non-linear time series, although model-building issues, such as input selection, model complexity and parameters estimation, remain without a satisfactory solution. More of research efforts are devoted to solve these issues. However, other models emerged from statistics would be more appropriated than neural networks for forecasting, in the sense that the process of model specification is based entirely on statistical criteria. Multivariate adaptive regression splines (MARS) is a statistical model commonly used for solving nonlinear regression problems, and it is possible to use it for forecasting time series. Nonetheless, there is a lack of studies comparing the results obtained using MARS and neural network models, with the aim of determinate which model is better. In this paper, we forecast four nonlinear time series using MARS and we compare the obtained results against the reported results in the technical literature when artificial neural networks and the ARIMA approach are used. The main finding in this research, it is that for all considered cases, the forecasts obtained with MARS are lower in accuracy in relation to the other approaches.