1. Repositorio Institucional del Tecnológico Nacional de México (RI - TecNM)
2. Tesis de Posgrado
3. Baja California
4. Instituto Tecnológico de Tijuana
5. TESIS DE DOCTORADO
6. DOCTORADO EN CIENCIAS EN COMPUTACIÓN

Título :	AGRUPACIÓN, CLASIFICACIÓN Y PREDICCIÓN DE SERIES TEMPORALES MEDIANTE EL USO DE REDES NEURONALES
Autor :	RAMIREZ ARELLANO, MARTHA%166301
metadata.dc.subject.other:	AGRUPACIÓN, CLASIFICACIÓN Y PREDICCIÓN DE SERIES TEMPORALES
Fecha de publicación :	2024-03-01
Editorial :	Tecnológico Nacional de México
metadata.dc.publisher.tecnm:	Instituto Tecnológico de Tijuana
Descripción :	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
Aparece en las colecciones:	DOCTORADO EN CIENCIAS EN COMPUTACIÓN

Este ítem está protegido por copyright original Visualizar la licencia

Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons