Please use this identifier to cite or link to this item:
https://rinacional.tecnm.mx/jspui/handle/TecNM/10623| Title: | AGRUPACIÓN, CLASIFICACIÓN Y PREDICCIÓN DE SERIES TEMPORALES MEDIANTE EL USO DE REDES NEURONALES |
| Authors: | RAMIREZ ARELLANO, MARTHA%166301 |
| metadata.dc.subject.other: | AGRUPACIÓN, CLASIFICACIÓN Y PREDICCIÓN DE SERIES TEMPORALES |
| Issue Date: | 2024-03-01 |
| Publisher: | Tecnológico Nacional de México |
| metadata.dc.publisher.tecnm: | Instituto Tecnológico de Tijuana |
| Description: | El trabajo de investigación presentado en esta tesis doctoral consiste en la propuesta de un modelo para la agrupación, clasificación y predicción de series temporales mediante el uso de redes neuronales artificiales, a través del cual se pretende simular computacionalmente el comportamiento de las funciones cognitivas del cerebro. Los objetivos de esta investigación se centran en el estudio de sistemas neuronales híbridos inteligentes y su utilización en el análisis de series temporales y sistemas de apoyo a la toma de decisiones. En los últimos años se ha prestado atención a los factores que impactan directamente en el bienestar y cómo evaluarlo a través del uso de indicadores cuantitativos y cualitativos que consideren la gestión de incertidumbre o de factores de riesgo multivariados, los cuales, en el caso de materializarse podrían ocasionar la imposibilidad de garantizar el nivel de cumplimiento de las metas y objetivos organizacionales, por lo que, para su administración frecuentemente se dividen en múltiples categorías según impacto y consecuencias. Por otra parte, los indicadores globales son dinámicos y en ocasiones su correlación es incierta porque dependen en gran medida de una combinación de factores económicos, sociales y ambientales principalmente. Por lo anterior, mediante el desarrollo de ocho casos de estudio, se analizan múltiples series temporales relacionadas a las siguientes problemáticas: accidentes de tráfico, calidad del aire y múltiples indicadores globales (consumo energético, tasa de natalidad, tasa de mortalidad, crecimiento poblacional, inflación, desempleo, desarrollo sostenible y calidad de vida). Nuestra principal contribución consiste en la una integración difusa Tipo-2 Generalizada de múltiples indicadores (series temporales) utilizando redes neuronales tanto supervisadas como no supervisadas y un conjunto de sistemas difusos Tipo-1, Tipo-2 por Intervalos y Tipo-2 Generalizados. Los resultados obtenidos muestran las ventajas de utilizar el modelo propuesto para la integración difusa Tipo-2 Generalizada de múltiples atributos de series de tiempo, con lo que es posible que el usuario final puede considerar durante el proceso de toma de decisión distintos aspectos de planificación futura y estrategias de gobernanza a largo plazo, gestión del talento, fortaleza de la industria, lucha contra la corrupción y estructura política, para aprovechar las oportunidades más recientes presentadas por la globalización. |
| metadata.dc.type: | info:eu-repo/semantics/doctoralThesis |
| Appears in Collections: | DOCTORADO EN CIENCIAS EN COMPUTACIÓN |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| RAMIREZ ARELLANO MARTHA.pdf | TESIS DE DOCTORADO | 2.93 MB | Adobe PDF | View/Open |
| MARTHA RAMIREZ_CESION DE DERECHOS DE AUTOR 2025.pdf Until 9999-01-01 | CESION DE DERECHOS | 112.49 kB | Adobe PDF | View/Open Request a copy |
This item is protected by original copyright |
This item is licensed under a Creative Commons License
