Predicción de Series Temporales con Redes LSTM”

Autores
Moguilner Reh, Nicolás Francisco
Año de publicación
2024
Idioma
español castellano
Tipo de recurso
informe técnico
Estado
versión aceptada
Descripción
En este trabajo se exploró la aplicación de Redes Neuronales Recurrentes con Memoria a Corto y Largo Plazo (LSTM) para la predicción de series temporales y espaciales en ingeniería. Se analizó el funcionamiento de las LSTM, su formulación matemática y proceso de aprendizaje, así como su efectividad en la predicción de series temporales. Además, se llevó a cabo una prueba de concepto en el área eléctrica para predecir la demanda. Los resultados demostraron que las LSTM son una herramienta prometedora en la predicción de fenómenos complejos y pueden ofrecer soluciones precisas y flexibles para desafíos en ingeniería, destacando su potencial en la predicción de series temporales en diversos contextos.
Fil: Moguilner Reh, Nicolás Francisco. Universidad Tecnológica Nacional. Facultad Regional Paraná. Dpto. Ing. Electrónica; Argentina
Peer Reviewed
Materia
Redes Neuronales Recurrentes
RNN
Memoria a Corto y Largo Plazo
LSTM
Predicción de Series Temporales
Ingeniería Electromecánica
Aprendizaje Automático
Machine Learning
Predicción de Demanda Eléctrica
Modelado de Fenómenos Dinámicos
Inteligencia Artificial,
Análisis de Datos
Nivel de accesibilidad
acceso abierto
Condiciones de uso
2024-05-13T22:15:10Z
Repositorio
Repositorio Institucional Abierto (UTN)
Institución
Universidad Tecnológica Nacional
OAI Identificador
oai:ria.utn.edu.ar:20.500.12272/10765
Acceder
id RIAUTN_199cbed2c53300d61c4f46ac84e2f983
oai_identifier_str oai:ria.utn.edu.ar:20.500.12272/10765
network_acronym_str RIAUTN
repository_id_str a
network_name_str Repositorio Institucional Abierto (UTN)
spelling Predicción de Series Temporales con Redes LSTM”Moguilner Reh, Nicolás FranciscoRedes Neuronales RecurrentesRNNMemoria a Corto y Largo PlazoLSTMPredicción de Series TemporalesIngeniería ElectromecánicaAprendizaje AutomáticoMachine LearningPredicción de Demanda EléctricaModelado de Fenómenos DinámicosInteligencia Artificial,Análisis de DatosEn este trabajo se exploró la aplicación de Redes Neuronales Recurrentes con Memoria a Corto y Largo Plazo (LSTM) para la predicción de series temporales y espaciales en ingeniería. Se analizó el funcionamiento de las LSTM, su formulación matemática y proceso de aprendizaje, así como su efectividad en la predicción de series temporales. Además, se llevó a cabo una prueba de concepto en el área eléctrica para predecir la demanda. Los resultados demostraron que las LSTM son una herramienta prometedora en la predicción de fenómenos complejos y pueden ofrecer soluciones precisas y flexibles para desafíos en ingeniería, destacando su potencial en la predicción de series temporales en diversos contextos.Fil: Moguilner Reh, Nicolás Francisco. Universidad Tecnológica Nacional. Facultad Regional Paraná. Dpto. Ing. Electrónica; ArgentinaPeer Reviewed2024-05-13T22:15:10Z2024-05-13T22:15:10Z2024-04-24info:eu-repo/semantics/reportinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_18ghinfo:ar-repo/semantics/informeTecnicoplainapplication/pdfhttp://hdl.handle.net/20.500.12272/10765-doispainfo:eu-repo/semantics/openAccess2024-05-13T22:15:10Zhttp://creativecommons.org/licenses/by-nc-nd/4.0/Attribution-NonCommercial-NoDerivatives 4.0 InternacionalNicolás Francisco Moguilner RehCreative Commons / Atribución-Sin Obras derivadasreponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica Nacional2026-09-24T12:47:33Zoai:ria.utn.edu.ar:20.500.12272/10765instacron:UTNInstitucionalhttp://ria.utn.edu.ar/Universidad públicaNo correspondehttp://ria.utn.edu.ar/oaigestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:a2026-09-24 12:47:34.291Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv Predicción de Series Temporales con Redes LSTM”
title Predicción de Series Temporales con Redes LSTM”
spellingShingle Predicción de Series Temporales con Redes LSTM”
Moguilner Reh, Nicolás Francisco
Redes Neuronales Recurrentes
RNN
Memoria a Corto y Largo Plazo
LSTM
Predicción de Series Temporales
Ingeniería Electromecánica
Aprendizaje Automático
Machine Learning
Predicción de Demanda Eléctrica
Modelado de Fenómenos Dinámicos
Inteligencia Artificial,
Análisis de Datos
title_short Predicción de Series Temporales con Redes LSTM”
title_full Predicción de Series Temporales con Redes LSTM”
title_fullStr Predicción de Series Temporales con Redes LSTM”
title_full_unstemmed Predicción de Series Temporales con Redes LSTM”
title_sort Predicción de Series Temporales con Redes LSTM”
dc.creator.none.fl_str_mv Moguilner Reh, Nicolás Francisco
author Moguilner Reh, Nicolás Francisco
author_facet Moguilner Reh, Nicolás Francisco
author_role author
dc.subject.none.fl_str_mv Redes Neuronales Recurrentes
RNN
Memoria a Corto y Largo Plazo
LSTM
Predicción de Series Temporales
Ingeniería Electromecánica
Aprendizaje Automático
Machine Learning
Predicción de Demanda Eléctrica
Modelado de Fenómenos Dinámicos
Inteligencia Artificial,
Análisis de Datos
topic Redes Neuronales Recurrentes
RNN
Memoria a Corto y Largo Plazo
LSTM
Predicción de Series Temporales
Ingeniería Electromecánica
Aprendizaje Automático
Machine Learning
Predicción de Demanda Eléctrica
Modelado de Fenómenos Dinámicos
Inteligencia Artificial,
Análisis de Datos
dc.description.none.fl_txt_mv En este trabajo se exploró la aplicación de Redes Neuronales Recurrentes con Memoria a Corto y Largo Plazo (LSTM) para la predicción de series temporales y espaciales en ingeniería. Se analizó el funcionamiento de las LSTM, su formulación matemática y proceso de aprendizaje, así como su efectividad en la predicción de series temporales. Además, se llevó a cabo una prueba de concepto en el área eléctrica para predecir la demanda. Los resultados demostraron que las LSTM son una herramienta prometedora en la predicción de fenómenos complejos y pueden ofrecer soluciones precisas y flexibles para desafíos en ingeniería, destacando su potencial en la predicción de series temporales en diversos contextos.
Fil: Moguilner Reh, Nicolás Francisco. Universidad Tecnológica Nacional. Facultad Regional Paraná. Dpto. Ing. Electrónica; Argentina
Peer Reviewed
description En este trabajo se exploró la aplicación de Redes Neuronales Recurrentes con Memoria a Corto y Largo Plazo (LSTM) para la predicción de series temporales y espaciales en ingeniería. Se analizó el funcionamiento de las LSTM, su formulación matemática y proceso de aprendizaje, así como su efectividad en la predicción de series temporales. Además, se llevó a cabo una prueba de concepto en el área eléctrica para predecir la demanda. Los resultados demostraron que las LSTM son una herramienta prometedora en la predicción de fenómenos complejos y pueden ofrecer soluciones precisas y flexibles para desafíos en ingeniería, destacando su potencial en la predicción de series temporales en diversos contextos.
publishDate 2024
dc.date.none.fl_str_mv 2024-05-13T22:15:10Z
2024-05-13T22:15:10Z
2024-04-24
dc.type.none.fl_str_mv info:eu-repo/semantics/report
info:eu-repo/semantics/acceptedVersion
http://purl.org/coar/resource_type/c_18gh
info:ar-repo/semantics/informeTecnico
format report
status_str acceptedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/20.500.12272/10765
-doi
url http://hdl.handle.net/20.500.12272/10765
identifier_str_mv -doi
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
2024-05-13T22:15:10Z
http://creativecommons.org/licenses/by-nc-nd/4.0/
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Nicolás Francisco Moguilner Reh
Creative Commons / Atribución-Sin Obras derivadas
eu_rights_str_mv openAccess
rights_invalid_str_mv 2024-05-13T22:15:10Z
http://creativecommons.org/licenses/by-nc-nd/4.0/
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Nicolás Francisco Moguilner Reh
Creative Commons / Atribución-Sin Obras derivadas
dc.format.none.fl_str_mv plain
application/pdf
dc.source.none.fl_str_mv reponame:Repositorio Institucional Abierto (UTN)
instname:Universidad Tecnológica Nacional
reponame_str Repositorio Institucional Abierto (UTN)
collection Repositorio Institucional Abierto (UTN)
instname_str Universidad Tecnológica Nacional
repository.name.fl_str_mv Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacional
repository.mail.fl_str_mv gestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.ar
_version_ 1877230938954399744
score 13.265058

Publicaciones similares