IMPUTACIÓN DE SERIES DE TIEMPO METEOROLÓGICAS APLICANDO TÉCNICAS DE APRENDIZAJE PROFUNDO (Deep Learning)

Descripción del Articulo

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...

Descripción completa

Detalles Bibliográficos
Autores: Flores, Aníbal, Silva, Otoniel
Formato: artículo
Fecha de Publicación:2022
Institución:Universidad José Carlos Mariátegui
Repositorio:Revista ciencia y tecnología para el desarrollo UJCM
Lenguaje:español
OAI Identifier:oai:ojs.revistas.ujcm.edu.pe:article/194
Enlace del recurso:https://revistas.ujcm.edu.pe/index.php/rctd/article/view/194
Nivel de acceso:acceso abierto
Materia:Aprendizaje Profundo
Imputación
Series de tiempo
Redes neuronales recurrentes
LSTM
GRU.
id REVUJCM_ee7fdef80983f6e6748e6cfa4f8f94ba
oai_identifier_str oai:ojs.revistas.ujcm.edu.pe:article/194
network_acronym_str REVUJCM
network_name_str Revista ciencia y tecnología para el desarrollo UJCM
repository_id_str .
spelling IMPUTACIÓN DE SERIES DE TIEMPO METEOROLÓGICAS APLICANDO TÉCNICAS DE APRENDIZAJE PROFUNDO (Deep Learning)Flores, AníbalSilva, OtonielAprendizaje ProfundoImputaciónSeries de tiempoRedes neuronales recurrentesLSTMGRU.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.Universidad José Carlos Mariátegui2022-08-06info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdfhttps://revistas.ujcm.edu.pe/index.php/rctd/article/view/19410.37260/rctd.v5i1.194REVISTA CIENCIA Y TECNOLOGÍA - Para el Desarrollo - UJCM; Vol. 5 (2019): ESPECIAL RESUMEN DE CONGRESO - REVISTA CIENCIA Y TECNOLOGÍA - Para el Desarrollo - UJCM; 6-112413-70572411-804410.37260/rctd.v5i1reponame:Revista ciencia y tecnología para el desarrollo UJCMinstname:Universidad José Carlos Mariáteguiinstacron:UJCMspahttps://revistas.ujcm.edu.pe/index.php/rctd/article/view/194/17310.37260/rctd.v5i1.194.g173Derechos de autor 2022 REVISTA CIENCIA Y TECNOLOGÍA - Para el Desarrollo - UJCMinfo:eu-repo/semantics/openAccessoai:ojs.revistas.ujcm.edu.pe:article/1942022-08-11T22:40:10Z
dc.title.none.fl_str_mv IMPUTACIÓN DE SERIES DE TIEMPO METEOROLÓGICAS APLICANDO TÉCNICAS DE APRENDIZAJE PROFUNDO (Deep Learning)
title IMPUTACIÓN DE SERIES DE TIEMPO METEOROLÓGICAS APLICANDO TÉCNICAS DE APRENDIZAJE PROFUNDO (Deep Learning)
spellingShingle IMPUTACIÓN DE SERIES DE TIEMPO METEOROLÓGICAS APLICANDO TÉCNICAS DE APRENDIZAJE PROFUNDO (Deep Learning)
Flores, Aníbal
Aprendizaje Profundo
Imputación
Series de tiempo
Redes neuronales recurrentes
LSTM
GRU.
title_short IMPUTACIÓN DE SERIES DE TIEMPO METEOROLÓGICAS APLICANDO TÉCNICAS DE APRENDIZAJE PROFUNDO (Deep Learning)
title_full IMPUTACIÓN DE SERIES DE TIEMPO METEOROLÓGICAS APLICANDO TÉCNICAS DE APRENDIZAJE PROFUNDO (Deep Learning)
title_fullStr IMPUTACIÓN DE SERIES DE TIEMPO METEOROLÓGICAS APLICANDO TÉCNICAS DE APRENDIZAJE PROFUNDO (Deep Learning)
title_full_unstemmed IMPUTACIÓN DE SERIES DE TIEMPO METEOROLÓGICAS APLICANDO TÉCNICAS DE APRENDIZAJE PROFUNDO (Deep Learning)
title_sort IMPUTACIÓN DE SERIES DE TIEMPO METEOROLÓGICAS APLICANDO TÉCNICAS DE APRENDIZAJE PROFUNDO (Deep Learning)
dc.creator.none.fl_str_mv Flores, Aníbal
Silva, Otoniel
author Flores, Aníbal
author_facet Flores, Aníbal
Silva, Otoniel
author_role author
author2 Silva, Otoniel
author2_role author
dc.subject.none.fl_str_mv Aprendizaje Profundo
Imputación
Series de tiempo
Redes neuronales recurrentes
LSTM
GRU.
topic Aprendizaje Profundo
Imputación
Series de tiempo
Redes neuronales recurrentes
LSTM
GRU.
description 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.
publishDate 2022
dc.date.none.fl_str_mv 2022-08-06
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv https://revistas.ujcm.edu.pe/index.php/rctd/article/view/194
10.37260/rctd.v5i1.194
url https://revistas.ujcm.edu.pe/index.php/rctd/article/view/194
identifier_str_mv 10.37260/rctd.v5i1.194
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv https://revistas.ujcm.edu.pe/index.php/rctd/article/view/194/173
10.37260/rctd.v5i1.194.g173
dc.rights.none.fl_str_mv Derechos de autor 2022 REVISTA CIENCIA Y TECNOLOGÍA - Para el Desarrollo - UJCM
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Derechos de autor 2022 REVISTA CIENCIA Y TECNOLOGÍA - Para el Desarrollo - UJCM
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad José Carlos Mariátegui
publisher.none.fl_str_mv Universidad José Carlos Mariátegui
dc.source.none.fl_str_mv REVISTA CIENCIA Y TECNOLOGÍA - Para el Desarrollo - UJCM; Vol. 5 (2019): ESPECIAL RESUMEN DE CONGRESO - REVISTA CIENCIA Y TECNOLOGÍA - Para el Desarrollo - UJCM; 6-11
2413-7057
2411-8044
10.37260/rctd.v5i1
reponame:Revista ciencia y tecnología para el desarrollo UJCM
instname:Universidad José Carlos Mariátegui
instacron:UJCM
instname_str Universidad José Carlos Mariátegui
instacron_str UJCM
institution UJCM
reponame_str Revista ciencia y tecnología para el desarrollo UJCM
collection Revista ciencia y tecnología para el desarrollo UJCM
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1844884899705651200
score 13.325744
IMPUTACIÓN DE SERIES DE TIEMPO METEOROLÓGICAS APLICANDO TÉCNICAS DE APRENDIZAJE PROFUNDO (Deep Learning)
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).

Ejemplares Similares