Predicción de Múltiples Puntos de Series de Tiempo Utilizando Support Vector Machines
Forecasting of Multiple Points in Time Series with Support Vector Machines
E. Bautista – Thompson, E. Guzmán – Ramírez y J. Figueroa – Nazuno
Centro de Investigación en Computación Instituto Politécnico Nacional Unidad Profesional Adolfo López Mateos. Zacatenco. Col. Lindavista, CP 07738 México D.F. E–mails: ebautista@correo.cic.ipn.mx ; erick_igr@yahoo.com ; jfn@cic.ipn.mx
]]> Artículo recibido en diciembre 17, 2003
Resumen
Se presenta la evaluación de la predicción de múltiples puntos de series de tiempo, mediante un corrimiento de ventana para Support Vector Machines (SVM) con dos funciones de kernel distintas (lineal y con base radial). Para la evaluación se utilizó un conjunto de treinta series de diferente origen y comportamiento dinámico. Se encuentra que la SVM posee una buena capacidad para ajustarse a las diferentes dinámicas de las series de tiempo y presenta un buen desempeño para la predicción de los primeros puntos de las series utilizando la función de kernel radial, a pesar del proceso de expansión del error de predicción.
Palabras clave: Funciones de Kernel para SVM, Predicción de series de tiempo, Support Vector Machines.
Abstract
This paper presents the evaluation of the forecasting for multiple points in time series, by means of Support Vector Machines (SVM) with a shifting window and two different kernel functions (linear and radial basis). The evaluation was made with a set of 30 time series from different origins and dynamics. The results show that SVM has a good capability for the adaptation to different time series dynamics, and also presents a good performance for the forecasting of the first points of the time series using the radial basis kernel function, in spite of the expansion of the forecast error.
Keywords: Kernel Functions for SVM, Time Series Forecasting, Support Vector Machines.
]]>DESCARGAR ARTÍCULO EN FORMATO PDF
Referencias
1. Bautista–Thompson E., y J. Figueroa–Nazuno, "Matriz de Conocimiento sobre la Complejidad de Predicción en Series de Tiempo", en VII Congreso Iberoamericano en Reconocimiento de Patrones, Ciudad de México, Noviembre, 2002. pp. 337–348. [ Links ]
2. Cristianini N., y J. Shawe–Taylor, An introduction to Support Vector Machines and other kernel–based learning methods, Cambridge University Press, UK, 2000. [ Links ]
3. Espinosa–Contreras A., y J. Figueroa–Nazuno, "Análisis Caótico y Predicción de la Contaminación Ambiental en la Ciudad de México", en VIII Congreso Internacional de Electrónica, Comunicaciones y Computadoras, CONTELECOMP ' 98, México, 1998. [ Links ]
4. Kantz H. y T. Schreiber, Nonlinear Time Series Analysis, Cambridge University Press, UK, 2000. [ Links ]
5. Lodi H., C. Saunders, J. Shawe–Taylor, N. Cristianini, y C. Watkins, "Text Classification using String Kernels", Journal of Machine Learning Research, Vol. 2, 2002, pp. 419–444. [ Links ]
6. Müller K. R., A. Samola, G. Rätsh, B. Schölkopf, J. Kohlmorgen, y V. Vapnik, "Predicting Time Series with Support Vector Machines", en Proceedings of ICANN ' 97, Springer LNCS 1327, 1997, pp. 999–1004. [ Links ]
7. Ott E., Tim Sauer, y James A. Yorke, editores, Coping with Chaos. Analysis of Chaotic Data and the Exploitation of Chaotic Systems, John Wiley & Sons, New York, 1994. [ Links ]
8. Ott E., Chaos in Dynamical Systems, Cambridge University Press, UK, 2002. [ Links ]
9. Rüping S., "SVM Kernels for Time Series Analysis", en Klinkenberg R. and S. Rüping, A. Fick, N. Henze, C. Herzog, R. Molitor y O. Schröder, editores, LLWA 01 – Tagungsband der GI–Workshop–Woche Lernen – Lehren – Wissen – Adaptivität in series Forschungsberichte des Fachbereichs Informatik der Universität Dortmund, 2001, pp. 43–50. [ Links ]
10. Rüping S., "Support Vector Machines and Learning about Time", en IEEE International Conference on Accoustics, Speech and Signal Processing (ICASSP ' 03), 2003. [ Links ]
11. Rüping S., mySVM–Manual, University of Dortmund, Lehrstuhl Informatik 8, http://www-ai.cs.uni-dortmund.de/SOFTWARE/MYSVM/, 2000. [ Links ]
12. Suykens J. A. K. y J. Vandewalle, editores, Nonlinear Modeling Advanced Black–Box Techniques, Kluwer Academic Press, Amsterdam, 1998. [ Links ]
13. Vapnik V., Statistical Learning Theory, John Wiley & Sons, New York, 1998. [ Links ]
14. Weingend A. S. y N. A. Gershenfeld, editores, Time Series Prediction: Forecasting the Future and Understanding the Past, Addison–Wesley, Reading, 1994. [ Links ]
15. Yeang C., S. Ramaswamy, P. Tamayo, S. Mukherjee, R. Rifkin, M. Angelo, M. Reich, E. Lander, J. Mesirov y T. Golub, "Molecular classification of multiple tumor types", Bioinformatics, Vol. 17, Suppl 1, 2001, pp. S316–22. [ Links ] ]]>