UNIVERSIDAD TCNICA PARTICULAR DE LOJA Inteligencia Artificial Avanzada

PREDICCIN METEOROLGICA MEDIANTE REDES NEURONALES

Diana Luca Poma Lima
e-mail: [email protected] Loja-Ecuador

RESUMEN: Los pronsticos meteorolgicos son reas desafiantes en la investigacin. En el presente trabajo de predicciones he propuesto la utilizacin de redes neuronales ya que son de gran ayudad para este tipo de problemas. Los parmetros meteorolgicos como la velocidad del viento, punto de roci, temperatura, humedad, etc., son caractersticas extradas de una base de datos de un periodo. El mtodo que aplicare utiliza alimentacin hacia adelante con redes neuronales artificiales para el aprendizaje supervisado, utilizando datos registrados de una estacin meteorolgica de la costa Ecuatoriana. La red neuronal a entrenar se la utilizara para predecir condiciones climticas futuras en nuestro pas. Con los resultados obtenidos se podr observar que el modelo basado en caractersticas especficas puede hacer predicciones.
PALABRAS CLAVE: Predicciones meteorolgicas, redes neuronales artificiales, perceptrn multicapa, backpropagation.

2 PLANTEAMIENTO DEL PROBLEMA

En la actualidad vivimos en un mundo donde los cambios meteorolgicos nos estn afectando a todos y por tanto se debe estar preparado ante las fuertes precipitaciones climticas que afectan a nuestro pas. Como es de nuestro conocimiento durante estos ltimos aos los cambios meteorolgicos han sido muy irregulares debido a diversos factores externos como la destruccin de la capa de ozono, el efecto invernadero, la acidificacin del medio ambiente, etc. En el Ecuador el rgimen de precipitaciones meteorolgicas en condiciones normales depende de la regin natural, por ende una de las regiones ms afectada es la regin Litoral seguida de la regin interandina. [14] Con los datos que recaban de las estaciones meteorolgicas no es suficiente para prevenir y predecir los cambios que se vienen, por tanto la respuesta no es tan gil como quisiramos. En los servicios meteorolgicos, piensan que todava las soluciones pueden encontrarse en el desarrollo de los sistemas tradicionales, pero existen otra serie de factores que condicionan el futuro de las predicciones meteorolgicas como son las redes neuronales artificiales con aprendizaje supervisado.

1 INTRODUCCIN
En el presente trabajo se brinda una solucin prctica al problema de las predicciones meteorolgicas, por lo tanto las predicciones meteorolgicas son actividades que se llevan en institutos especializados en estos fenmenos, como por ejemplo el INOCAR en Ecuador. Para realizar las predicciones meteorolgicas he decidido utilizar redes neuronales Artificiales en conjunto con la herramienta WEKA. Para el entrenamiento de las redes utilizare el mtodo de perceptrn multicapa ya que es un mtodo supervisado que se basa en la correccin a partir de una decisin y la otra se base en la optimizacin de un criterio de coste. Con la aplicacin de las RNA, se resuelve el problema de la complejidad de los modelos de prediccin tradicionales, a partir de los factores que realmente afectan la tranquilidad de las ciudades del pas. Con el software WEKA se realizara la prediccin meteorolgica de una zona determinada empleando datos meteorolgicos de un ao con un error de prediccin aceptable.

3 ESTADO DEL ARTE

3.1 REDES NEURONALES ARTIFICIALES
Las Redes neurales artificiales (RNA) trabajan de la manera que trabaja nuestro cerebro. bsicamente es un conjunto de neuronas (algo como 10 a 100 mil millones) conectadas, cuando nosotros aprendemos, algunas de esas conexiones se ponen ms fuertes, as si nosotros vemos algo con nuestros ojos, esa informacin tomar un camino a travs de las neuronas, y finalmente nosotros reconocemos el objeto que nosotros simplemente hemos visto, como por ejemplo: cuando se bebe alcohol, reduce la velocidad de las conexiones y los desarregla a un cierto sector de neuronas retrasando la reaccin del estmulo de salida.[7] Los conceptos bsicos de un RNA son que la Red est formada por capas, estas capas son para la

UNIVERSIDAD TCNICA PARTICULAR DE LOJA Inteligencia Artificial Avanzada

Entrada y salida podra haber tambin algunas capas ocultas cada capa conforma un conjunto de nodos. Todos los nodos almacenan un valor llamado activacin, y posiblemente un error, cada nodo de una capa conectar a todos los nodos de la prxima capa. Las redes ms simples slo tienen una capa de la entrada y una capa del rendimiento, as que cada nodo de la capa de la entrada se unir a cada nodo de la capa del rendimiento, cada uno guarda un valor denominado peso. Las redes neuronales tienen bsicamente dos ciclos de funcionamiento Forwardpropagation y Backpropagation, en el primero la red establece la forma como responde a las entradas presentadas a esta y en el segundo paso se establece la modificacin de los pesos de la red que finalmente se ver reflejado en el aprendizaje de la red neuronal. [1]

3.3 ENTRENAMIENTO DE UNA RNA

El entrenamiento requiere la presencia repetida de un nmero relativamente amplio de patrones que permitan que la red aprenda, haciendo modificaciones en los pesos de las conexiones por medio de alguna regla de aprendizaje. El tipo de aprendizaje ms sencillo consiste en presentar patrones de entrada a la red junto a los patrones de salidas deseados, para cada patrn de entrada. A este tipo de aprendizaje se los denomina aprendizaje supervisado. Dentro del entrenamiento supervisado se encuentra las siguientes categoras: Aprendizaje por Correccin de Error Aprendizaje por refuerzo Aprendizaje Estocstico

Fig.1 Perceptrn Multicapa con ms de una capa de neuronas [8] La conexin de las redes normalmente tienen 3 capas: Entrada, Oculta, y Rendimiento. Los nodos de la entrada conectan a oculta, y los nodos de oculta conectan al Rendimiento. As, que es un sistema de Feed Forward, mientras se esta moviendo de la entrada al rendimiento se puede tener mltiples capas ocultas, pero tener una simplemente suele ser muy comn. [7]

Como ya se haba mencionado el tipo de red a utilizar en el presente proyecto es la red perceptrn multicapa, por lo que es necesario describir el algoritmo de entrenamiento Backpropagation utilizado para este tipo de red.

3.4 EL PERCEPTRN MULTICAPA 3.2 ARQUITECTURA DE UNA RED NEURONAL

Los elementos bsicos comentados anteriormente se pueden conectar entre s para dar lugar a las estructuras neuronales. Cada neurona de manera individual posee un nmero de entradas, un nodo de procesamiento y una nica salida, cada conexin entre neuronas est asociada con un peso. [9] El perceptrn es una clase de feed-forward en el que todos y cada conexin debe terminar en un nodo, en la capa ms alta de la que comenz. Al describir el perceptrn se refiere a una red con N capas de peso y con N capas del perceptrn. Un perceptrn multicapa es una red de retro propagacin, compuesta de varias capas de neuronas entre la entrada y la salida de la red, esta permite establecer regiones de decisin ms complejas que las de los dos semiplanos, como lo hace el perceptrn simple. [10] Las redes neuronales son una simplificacin matemtica bastada en el proceso estimulo/respuesta de las neuronas. Son capaces de aprender o modelar la relacin existente entre sus entradas y salidas mediante la modificacin de los valores de los pesos de las conexiones que unen las entradas con las neuronas y las neuronas entre si. Fig. 2 Estructura de una neurona donde: X denota la nomenclatura usada para denotar las entradas, W para los pesos y U para la salida generada por la neurona. [9] El problema de este tipo de estructura es que solo sirve para resolver problemas de complejidad lineal (relacin lineal entre entradas y salidas), de ah la

UNIVERSIDAD TCNICA PARTICULAR DE LOJA Inteligencia Artificial Avanzada

necesidad de introducir capas de neuronas ocultas y dar lugar al perceptrn multicapa, como el que hemos usado. El problema de entrenar las neuronas de las capas ocultas para actualizar los pesos de sus conexiones se resuelve con el algoritmo de Backpropagation (retropropagacin). [13]

3.6 FUNCIONAMIENTO DEL ALGORITMO

El algoritmo backpropagation sigue algunos pasos los cuales nos indican cmo funciona este algoritmo; por tanto el funcionamiento es de la siguiente manera: 1. Inicializar la red con pesos aleatorios 2. Para todos los casos de entrenamiento: Presentar las entradas a la red y calcular las salidas. Para todas las capas (empezando con la capa de salida, hacia la capa de entrada: 3. Comparar la salida de la red con la respuesta correcta (funcin de error) 4. Adaptar los pesos en la capa correspondiente Evaluacin del nivel de error generado al presentar cada uno de los patrones a la red, si se cumple el criterio de parada se detiene el entrenamiento, si no es as se vuelve al paso 2a. 5. Si el ciclo de propagacin reversa (Backpropagation) renueva los valores de los pesos de la red en general y la retro-propagacin del error desde la capa de salida hacia las dems capas ocultas de la red. Si bien uno de los valores recomendados es 0.1, este comportamiento no es inusual dado que cada caso de entrenamiento de una red neuronal es nico, aun cuando existen ciertas generalidades en los parmetros de entrenamiento estos no siempre son aplicables o no generan los mejores resultados. [12]

3.5 BACKPROPAGATION
El algoritmo de backpropagation es uno de los algoritmos ms populares para el entrenamiento de redes neuronales; se aplica extensivamente y muestra un desempeo ptimo. En la prctica sin embargo este algoritmo puede presentar dos dificultades: Velocidad de convergencia lenta y no siempre se garantiza encontrar el mnimo global de la funcin de error, sin embargo nuevos algoritmos pueden corregir estas dificultades. [10] El algoritmo de aprendizaje backpropagation es un algoritmo de descenso por gradiente que retro propaga las seales desde la capa de salida hasta la capa de entrada optimizando los valores de los pesos sinpticos mediante un proceso iterativo que se basa en la minimizacin de las funciones de coste. [9] Por ello, puede dividirse el algoritmo en dos fases: Propagacin hacia delante. Propagacin hacia atrs.

Una red neuronal muy eficaz para resolver fundamentalmente problemas de reconocimiento de patrones es la red neuronal de propagacin hacia atrs, en ingls backpropagation network.

4 HERRAMIENTAS
Para la realizacin de este proyecto use el programa de cdigo abierto Weka y cdigo java para dar formato a los ficheros de entrada al software Weka. Adems la utilizacin de una base de datos pequea o conjunto de datos para el entrenamiento de los mismos.

5 TRABAJOS RELACIONADOS
En estos ltimos aos se cuenta con varios trabajos relacionados con la prediccin de series de tiempo utilizando redes neuronales artificiales, de los cuales podemos mencionar los siguientes: Prediccin de acciones. Consiste en el desarrollo de una red neuronal capaz de realizar la prediccin del precio de las acciones para un nmero dado de compaas. Esta prediccin se realiza mediante redes alimentadas hacia adelante, y el objetivo en este particular caso es predecir el siguiente valor en la serie de tiempo: es decir el prximo precio de la accin. [2]

Fig. 3 Esquema de la arquitectura de las redes neuronales Backpropagation. En la red de la fig. 3, se interconectan varias unidades de procesamiento en capas, las neuronas de cada capa no se interconectan entre s. Sin embargo, cada neurona de una capa proporciona una entrada a cada una de las neuronas de la siguiente capa, esto es, cada neurona transmitir su seal de salida a cada neurona de la capa siguiente. [12]

UNIVERSIDAD TCNICA PARTICULAR DE LOJA Inteligencia Artificial Avanzada

Prediccin de trfico vehicular. Utiliza redes neuronales recurrentes para la prediccin a corto plazo del trfico en una carretera, a fin de prevenir congestiones y tener un control del acceso a la autopista. Para esto Ulbricht utiliza datos estimados de otros das con propiedades similares; los resultados se obtuvieron con una red multirecurrente, y se pudo comprobar que las redes neuronales resolvieron este tipo de prediccin y obteniendo mejores resultados que los mtodos estadsticos convencionales [3]. Prediccin del trfico en una intercepcin. Un marco conceptual de la prediccin de choque en lnea y sistema de prevencin de las intersecciones semaforizadas se propone. Un sistema lgico de inferencia difuso es desarrollado para realizar la prediccin en lnea de colisin, que es la base para la aplicacin de la colisin interseccin de alerta / tecnologas de prevencin. Se demostr que las redes neuronales con exactitud pueden predecir el volumen y la ocupacin en un minuto por adelantado. Sun utiliza una red neuronal multicapa entrenndose mediante backpropagation, ayudndose de una rampa de medicin de lgica difusa para realizar la prediccin. El riesgo se cuantifica mediante tres entradas difusas para el modelo, el momento de la colisin, la severidad del accidente y la percepcin local de los controladores. ndice de Percepcin e ndice de severidad se integran a fin de reflejar las caractersticas del conductor del vehculo de seguridad del sistema. [4] Prediccin de la transicin mensual del ndice de precios de acciones. Usando recurrencia y backpropagation, la red neuronal es entrenada para aprender conocimiento experimental y para predecir la transicin de precios de acciones, Kyoung toma como entrada principal algunos indicadores econmicos, obteniendo as la transicin relativa de la composicin del ndice de precios de acciones, con datos econmicos de ocho, como la prediccin del crecimiento mensual o la cada del ndice del precio de acciones. Los resultados indican que las redes neuronales son herramientas eficientes para la prediccin del precio de las acciones. [5] Prediccin de Tornados. Marzban y otros se basa en atributos obtenidos de un radar Doppler, el cual observa diferentes fenmenos que a la larga llegan a producir tornados. Las tormentas elctricas algunas veces llegan a producirlos, pero no siempre son antecedente de ello. Una red neuronal alimentada hacia adelante es usada para diagnosticar cuales fenmenos detectados por el radar llegarn a producir un tornado. La red neuronal es diseada para la identificacin del tornado-yielding, con ese fin, se desarrollaron procedimientos para determinar el tamao del conjunto de entrenamiento y el nmero de nodos ocultos necesarios para el funcionamiento ptimo. Se mostr que la red neuronal encontrada de este modo supera un algoritmo basado en reglas. [6]

6 METODOLOGA Y MODELO
Los datos diarios de entrada para la realizacin del modelo de Prediccin Climtica, se obtuvieron de la estacin meteorolgica de Salinas que pertenece al proyecto Weather Underground, la cual realiza lecturas diarias. La base de datos que se obtuvo, est compuesta por datos de aproximadamente un ao. Una vez obtenidos los datos se procede a clasificar las variables que se necesitara, como se puede observar en la tabla 1.

Para poder subir los datos a Weka se necesita, que el archivo tenga extensin arff ya que es la extensin principal de Weka. Tambin acepta otras extensiones pero es preferible que sea la predeterminada por Weka para no tener problemas en la clasificacin de los datos. Una vez subidos los datos en el software Weka procedemos a la clasificacin, eligiendo el algoritmo con que se va a trabajar, en este caso Backpropagation.

7 APLICACIN
El anlisis referente al moldeamiento y prediccin que se presenta en el presente proyecto se basa en las predicciones meteorolgicas basndose en la temperatura. La serie de variaciones meteorolgicas es calculada por la empresa Weather Underground. Los datos que se utilizo son de aproximadamente un ao, con la finalidad de obtener una buena prediccin. El principal inters es observar cmo el modelo captura los resultados de la serie y como reflejan sobre el perodo de prediccin. La razn por la cual se consideran seis observaciones para la prediccin, radica en que la presencia de cambios estructurales puede hacer que el modelo no recoja adecuadamente la los datos verdaderos y por ende, podrn presentar elevados errores en el pronstico predictivo. De esta forma, el escoger un nmero adecuado de las neuronas que conformaran las capas (entrada,

UNIVERSIDAD TCNICA PARTICULAR DE LOJA Inteligencia Artificial Avanzada

oculta, salida), mejorara la capacidad predictiva del modelo, permitiendo una mejor prediccin. Respecto a las predicciones realizadas, el punto importante en la interpretacin de los resultados son las formas de medicin del error para la prediccin y as establecer las comparaciones, estos errores son: Error cuadrtico medio Error absoluto relativo

8 RESULTADOS Y DISCUSIN
El presente proyecto propone una red neuronal de tipo perceptrn multicapas que optimiza tanto s matriz de pesos como el nmero de neuronas ocultas. En el modelo que presento, inicialmente utilizo cuatro neuronas ocultas con dos de entradas y dos de salida, gradualmente voy reduciendo las neuronas ocultas, y de esta manera se va optimizndose la matriz de pesos mediante el algoritmo backpropagation. Una vez que la red converge analizo su funcionamiento y si este no es el esperado voy eliminando una neurona de la capa oculta. Este proceso se repite hasta obtener el funcionamiento deseado. Los resultados obtenidos muestran que el modelo presenta un funcionamiento muy bueno, es decir cuando ste tiene un nmero ptimo de nodos en la capa oculta, disminuye la complejidad computacional durante la etapa de entrenamiento. Generalmente el aprendizaje de una red neuronal generalmente se produce mediante la formacin de una serie de entrada / salida de datos (patrones), donde la formacin del algoritmo backpropagation ajusta el vnculo pesos. La relacin peso, almacena el conocimiento necesario para resolver problemas especficos en este caso las predicciones. El modelo de predicciones meteorolgicas se implemento como una red neuronal del tipo backpropagation, el cual emplea una funcin sigmoidea, con taza de aprendizaje 1, tasa de momento 0.5 y el parmetro 0.5. Se observa en la imagen la funcin de activacin utilizada fue la sigmoidea, que entrega valores para temperaturas en todo el intervalo [0,1]. Como primer punto, parto de una red neuronal (2,4,2) que se idntica con 2 neuronas de entrada, 4 neuronas para la capa oculta y 2 neuronas de salida definida por la 10ma , 27va, 17va orden de rezagos de la serie y seis variables que identifican al modelo.

Fig. 4 Red Neuronal predicciones Meteorolgicas (2,4,2) Esta red est realizada con una validacin cruzada de 3 y 10 veces, respectivamente. Entre el numero de validacin cruzada que le d, tambin depende que haya una buena prediccin y el porcentaje de error sea mnimo. El numero de iteracciones que utilice en todos los caso es de 500Como podemos apreciar en la fig. 5 el error cuadrtico medio es menor en el caso de la validacin cruzada con 10 es de 1. 94, mientras que la validacin cruzada con 3 es de 2.79. Por lo tanto el error relativo es de 58.5 % en el cruce de 10 veces, y con un 101,69 % en el cruce de 3. Podemos concluir que a mayor nmero de cruces el error es mnimo.

Fig. 5 Resultados RNA (2, 4,2) con cross-validation 3 y 10 veces Una vez analizados los datos con diferente numero de neuronas de capas oculta, se puede concluir que a menor nmero de neuronas en las capas ocultas el porcentaje de error relativo es mnimo en el aprendizaje de la red neuronal. Es decir se ve la evolucin de los mismos cuando se disminuyen el nmero de neuronas de la capa oculta. Deduciendo que la reduccin en el nmero de neuronas de la capa mencionada produce la disminucin en el porcentaje de error del aprendizaje.

UNIVERSIDAD TCNICA PARTICULAR DE LOJA Inteligencia Artificial Avanzada

Para comprobar lo dicho anteriormente se realizo un anlisis de siete redes neuronales, con N capas de neuronas. N Capas Error Cuadrtico Error Relativo RNA (2,4,2) 1,9437 58.5497 % RNA (2,3,2) 2,7608 92,2629 % RNA (2,2,2) 2,6967 88,5546 % RNA (2,1,2) 1,7978 56,275 % RNA (2,0,2) 1.5621 50,7797 % RNA (3,0,3) 1,4323 45,8524 % RNA (3,1,3) 1,8794 58,3769 % Tabla 2 Resultados de las RNA con Ncapas En los resultados obtenidos se puede observar (Tabla 2) que el error cuadrtico medio y el error absoluto relativo con menores valores son en las redes neuronales (3,0,3) y (2,0,2), esto se debe a la reduccin de las neuronas de la capa oculta. Adems se realizo un segundo anlisis en una herramienta diferente a Weka, llamada Neural Tools con una red neuronal de (2,0,2) los resultados que se obtuvieron son mayores a los que arrojo la herramienta Weka. Por lo tanto cada vez que se va realizando la clasificacin, en un orden diferente, los pesos de las conexiones aumentan velocidad durante el proceso, ocasionando un lento descenso del error producido en el nivel de salida, por lo tanto la red neuronal presenta un buen comportamiento, debido al aprendizaje que tiene y a la evaluacin del error que comete la red.

9 CONCLUSIONES
Una vez terminado el estudio, podemos concluir que el anlisis realizado con los datos meteorolgicos puede ser realmente til, ya que nos permite realizar sondeos posteriores en nuestro cambiante clima y as estar prevenido. Por lo tanto la ventaja es que el resultado arrojado puede tener cierta fiabilidad, resultando en un ahorro de dinero. Predecir futuros hechos meteorolgicos, en mayor o menor medida me he dado cuenta que la fase ms difcil es el procesamiento de los datos y su anlisis, ya que del anlisis que se interprete, depende la credibilidad del modelo. Sin embargo para que el modelo funcione bien se necesita que los datos de entrada estn bien clasificados, puesto que de aqu depende que las predicciones sean buenas. Un punto a destacar es que en la fase de prediccin sale un poco costosa en tiempo de computacin y en capacidad de memoria, debido a estas limitaciones no he podido probar el modelos de prediccin con mas variables y datos. Finalmente, el proceso del modelo de prediccin utilizando las redes neuronales, es eficiente para la prediccin de los cambios climticos permitiendo la utilizacin de un bajo nmero de variables.

10 PROPUESTAS FUTURAS
En cuanto a las propuestas son varias las lneas de investigacin en las que se puede aplicar las redes neuronales artificiales con el algoritmo de clasificacin backpropagation. Algunos de los trabajos mencionados en el presente proyecto se pueden realizar mejorar en sus partes crticas para una mayor prediccin. Una de las lneas que se debe investigar en el futuro es el desarrollo de nuevos modelos de prediccin para fenmenos climticos como por ejemplo el Fenmeno del nio, ya que hay aos en que llega a las costas ecuatorianas con mayor intensidad que en otros. Otras de las lneas que se puede emprender en nuestro pas son las predicciones para la produccin de energa elctrica, la cual se predecir la temporada de invierno mas lluviosa o menos lluviosa ayudando a la toma de medidas preventivas ante el nivel bajo de las cotas de agua de las principales represas del pas.

Fig. 6 Resultados con la herramienta Neural Tools En la Fig. 6 se puede ver que el error cuadrtico medio es de 1.108 y el error absoluto relativo es 67.76%. Mientras que en Weka los resultados son 1.56 y 50.77% de los errores cuadrtico medio y absoluto relativo respectivamente. Como conclusin se puede decir que el error absoluto relativo de la herramienta Neural Tools es mayor que en Weka, obteniendo mejores resultados de prediccin y un menor porcentaje de error con Weka.

UNIVERSIDAD TCNICA PARTICULAR DE LOJA Inteligencia Artificial Avanzada

Un modelo para la prediccin de la velocidad del viento, siendo de gran importancia para nuestra ciudad ya que el Consejo Provincial de Loja est promoviendo el proyecto sobre la produccin energtica de parque elicos, permitiendo predecir con anticipacin la velocidad del viento. Modelos de prediccin para actividad ssmica de un volcn, como es de conocimiento nuestro pas especialmente en la regin interandina, tenemos volcanes activos, por tanto es necesario el uso de tecnologa avanzada que ayude a la prediccin y prevencin de catstrofes, permitiendo prevenir a tiempo a las personas que habitan en los alrededores de estos volcanes. Para finalizar cabe indicar que el estudio de la redes neuronales es inmenso, y sobre estudios realizados se puede extender fcilmente, solo bastara cambiar un poco la estructura de la red neuronal para adaptarla al nuevo problema.
[9] Serrano Antonio, Soria Emilio, Martn Jos, Redes neuronales Artificiales, Escuela Tcnica Superior Ingenieria, Dep. Electrnica, Programa de Doctorado, 2009 [10] Cheung Ho Yingg, Handwritten Chinese Character Recognition, Depart. Of Electrical and Computer Engineer, University of Queensland, October 1999. [11] R. Rojas: The Backpropagation Algorithm, Neural Networks, Springer-Verlag, Berlin, 1996. [En lnea] Disponible en: http://www.worldlingo.com/ma/enwiki/es/Backpropagation [12] James Eldredge and Brad Hutchings, Backpropagation Algorithm, Dept. of Electrical and Computer Eng., Brigham Young University, EEUU, 2000. [En lnea]. Disponible en: http://electronica.com.mx/neural/articulos/index.html [13] Gmez R, Jimnez J., Analisis de datos Electorales con tecnicas de aprendizaje supervisado y no supervisado, Departamento de Ingeniera Elctrica, Universidad Carlos III de Madrid, 2005. [14] Instituto Nacional de Meteorologa e Hidrologa, INAMHI, Proyectos Meteorolgicos en Ecuador, [En lnea]. Disponible en: http://www.inamhi.gov.ec/html/inicio.htm [15] Weather Underground Inc, 2010, Pronsticos Meteorolgico Histrico de Ecuador, [En lnea]. Disponible en: http://www.wunderground.com

11 REFERENCIAS
[1] H. Basilio Sierra Araujo Aprendizaje Automtico: conceptos bsicos y avanzados, 1ra. ed., Prentice Hall, Pearson, pp. 101, 2006 [2] F.W. Op 't Landt, J.N. Kok, Stock Price Prediction using neuronal Networks, Tesis para maestria, IEEE Trans., 1997. [3] Ulbricht, C. Multi-recurrent Networks for Traffic Forecasting. Technical Report, Austrian Research Institute for Artificial Intelligence, Vienna, Austria, 1993. Disponible en: http://www.aaai.org/Papers/AAAI/1994/AAAI94-135.pdf [4] D. Sun, S Ukkusuri, R.F. Benekohal, S.T. Waller, B. Liu, Fuzzy logic based online collision prediction system for signalized intersections, Department of Civil and Environmental Engineering, University of Illinois at Urbana Champaign, USA. 2004. Disponible en: http://host.uniroma3.it/riviste/ats/third%20issue/issue_III_pa per_B_sun_abstract.pdf [5] Kyoung-jae Kim and Won Boo Lee. Stock market prediction using artificial neural networks with optimal feature transformation, Neural Computing & Applications, Dongguk University, 2004. Disponible en: http://www.springerlink.com/content/97xdlpxr7nradw10/ [6] Caren Marzban, E. Dewayne Mitchell, Gregory J. Stumpf, A Neural Network for Tornado Diagnosis, Neural Computing and Applications. Disponible en: http://www.nhn.ou.edu/~marzban/tda.ps Christos Stergiou, Dimitrios Siganos. Neural Networks. [En lnea]. Disponible en: http://www.doc.ic.ac.uk/~nd/surprise_96/journal/vol4/cs11/re port.html#What%20is%20a%20Neural%20Network

Adaptado por: Diana Luca Poma Lima. Escuela de Ciencias de la Computacin Loja-Ecuador 2010

[7]

[8] Sergio R. Richter. Club Web Electrnica. Grficos de Redes Neuronales - Perceptron Multicapa. Disponible en: http://www.webelectronica.com.ar/news21/nota09.htm