IMPUTACIÓN DE SERIES DE TIEMPO METEOROLÓGICAS APLICANDO TÉCNICAS DE APRENDIZAJE PROFUNDO (Deep Learning)
El presente artículo muestra los resultados de la implementación de dos técnicas de inteligencia artificial en el campo del Aprendizaje Profundo (Deep Learning) correspondiente a las redes neuronales recurrentes conocidas como Long Short-Term Memory (LSTM) y Gated Recurrent Unit (GRU) para imputar d...
| Autores: | , |
|---|---|
| Tipo de recurso: | artículo |
| Estado: | Versión publicada |
| Fecha de publicación: | 2022 |
| País: | Perú |
| Institución: | Universidad José Carlos Mariátegui |
| Repositorio: | Revista ciencia y tecnología para el desarrollo UJCM |
| Idioma: | español |
| OAI Identifier: | oai:ojs.revistas.ujcm.edu.pe:article/194 |
| Acceso en línea: | https://revistas.ujcm.edu.pe/index.php/rctd/article/view/194 |
| Access Level: | acceso abierto |
| Palabra clave: | Aprendizaje Profundo Imputación Series de tiempo Redes neuronales recurrentes LSTM GRU. |
| Sumario: | El presente artículo muestra los resultados de la implementación de dos técnicas de inteligencia artificial en el campo del Aprendizaje Profundo (Deep Learning) correspondiente a las redes neuronales recurrentes conocidas como Long Short-Term Memory (LSTM) y Gated Recurrent Unit (GRU) para imputar datos faltantes en series de tiempo meteorológicas correspondientes a temperaturas máximas en la región Moquegua. Los resultados alcanzados muestran la superioridad de las redes neuronales recurrentes en la imputación de brechas extensas y muy extensas de datos faltantes respecto a otras técnicas de imputación tradicionales con las que fueron comparadas. |
|---|