Por favor, use este identificador para citar o enlazar este ítem:
http://dspace.espoch.edu.ec/handle/123456789/10955
Título : | Técnicas estadísticas para la modelación y predicción de la temperatura y velocidad de viento en la provincia de Chimborazo. |
Autor : | Pilco Sánchez, Victoria Karina Acurio Martinez, Washington David |
Director(es): | Escudero Villa, Amalia Isabel |
Tribunal (Tesis): | Haro, Arquímides |
Palabras claves : | ESTADÍSTICA;MODELACIÓN;BOX-JENKINS (TÉCNICA);TEORÍA DEL CAOS;REDES NEURONALES RECURRENTES;METEOROLOGÍA |
Fecha de publicación : | 5-may-2019 |
Editorial : | Escuela Superior Politécnica de Chimborazo |
Citación : | Pilco Sánchez, Victoria Karina; Acurio Martinez, Washington David. (2019). Técnicas estadísticas para la modelación y predicción de la temperatura y velocidad de viento en la provincia de Chimborazo. Escuela Superior Politécnica de Chimborazo. Riobamba. |
Identificador : | UDCTFC;226T0048 |
Abstract : | The purpose of the present titration work was to determine the technique that provides better forecasts for modeling meteorological variables, period 2014-2017, for which the variables Temperature and wind speed registered in the meteorological stations of the Center for Alternative Energies and Environment ( CEAA) of the province of Chimborazo, we used the techniques of Box-Jenkins (ARIMA), chaos theory and recurrent neural networks with software support such as R version 3.5.1, Tisean 3.0.1 and the Excel spreadsheet. The imputation of missing data of those bases that did not exceed 20% and considering a minimum adjusted coefficient of determination of R2 = 0.8 was made. Through the techniques: Box-Jenkins it was detected that all the time series had seasonality every 24 lags, identifying SARIMA models and a partial fulfillment of theoretical assumptions, with the theory of chaos models were obtained with better adjustment for the first 48 hours for the temperature, presenting a variation for wind speed due to its instability. In the modeling obtained by recurrent neural networks, predictions were obtained with a greater adjustment to the previous techniques and with less variation in the real versus predicted data. In conclusion, using the U coefficient of theil and the Diebold_Mariano Test, the Box-Jenkins methodology, chaos theory and Recurrent Neural Networks obtained a U of 0.0035, 0.044, 0.020 respectively, considering that the first one is subject to many conditions, the second it is suitable for short-term predictions and the long-term third. 100% of the tests performed identified that recurrent neural networks have greater accuracy and accuracy at 95% reliability. |
Resumen : | El presente trabajo de titulación tuvo por objetivo determinar la técnica que proporciona mejores previsiones para modelar variables meteorológicas, período 2014-2017, para lo cual se analizó las variables Temperatura y velocidad de viento registradas en las estaciones meteorológicas del Centro de Energías Alternativas y Ambiente (CEAA) de la provincia de Chimborazo, se utilizó las técnicas de Box-Jenkins (ARIMA), teoría del caos y redes neuronales recurrentes con apoyo de softwares como R versión 3.5.1, Tisean 3.0.1 y la hoja de cálculo de Excel. Se realizó la imputación de datos faltantes de aquellas bases que no superaron el 20% y considerando un coeficiente de determinación ajustado mínimo de R2=0.8. Mediante las técnicas: Box-Jenkins se detectó que todas las series de tiempo presentaban estacionalidad cada 24 rezagos, identificando modelos SARIMA y un cumplimiento parcial de supuestos teóricos, con la teoría del caos se obtuvieron modelos con mejor ajuste para las primeras 48 horas para la temperatura, presentando una variación para velocidad de viento debido a su inestabilidad. En la modelación obtenida por redes neuronales recurrentes se obtuvo predicciones con un mayor ajuste a las técnicas anteriores y con menos variación en los datos reales versus los predichos. En conclusión, mediante el coeficiente U de theil y el Test de Diebold_Mariano la metodología Box-Jenkins, teoría del caos y Redes neuronales recurrentes se obtuvo un U de 0.0035, 0.044, 0.020 respectivamente considerando que la primera esta sujeta a muchas condiciones, la segunda es adecuada para predicciones a corto plazo y la tercera a largo plazo. El 100% de los test realizados identificaron que Redes neuronales recurrentes tienen mayor exactitud y precisión al 95% de confiabilidad. |
URI : | http://dspace.espoch.edu.ec/handle/123456789/10955 |
Aparece en las colecciones: | Ingeniero en Estadística Informática; Ingeniero/a Estadístico/a |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
226T0048.pdf | 8,76 MB | Adobe PDF | ![]() Visualizar/Abrir |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons