Abstract

Las series de tiempo difusas tienen asociado el factor de la incertidumbre debido a que los datos de la serie temporal hacen parte de regiones de decisión. Por lo tanto, ubicar los datos en una determinada región y modelar sobre los mismos permite comprender el comportamiento de las variables a través de sus funciones de pertenencia. En este trabajo se expone el proceso de modelamiento de una serie temporal basado en técnicas difusas. La implementación de técnicas difusas se realiza particionando la región de entrada en diferentes subregiones y aplicando el modelo difuso Takagi Sugeno Kang (TSK). El TSK permite el reconocimiento del comportamiento local del proceso a través de un conjunto de implicaciones, donde los antecedentes se refieren al comportamiento local, mientras que los consecuentes describen la dinámica del proceso. La propuesta brinda herramientas para una adecuada partición sobre el espacio de entrada, es decir, la correcta determinación del número de reglas difusas a aplicar sobre la serie de tiempo. Posteriormente, se aplica el modelo TSK, el cual genera diferentes modelos de series de tiempo para cada una de las subregiones de la región de entrada. Los algoritmos propuestos son implementados utilizando un lenguaje de alto nivel, particularmente Matlab, allí se programan y se corren las diferentes simulaciones con el fin de analizar su comportamiento. Para validar el modelo se realizan simulaciones sobre 2 conjuntos de datos sintéticos y 5 reales, con el fin de contrastar la técnica propuesta con varias técnicas estándares, encontrando que el desempeño del modelo mejora al hacer una identificación adaptativa de la estructura de la serie de tiempo con respecto a estructuras fijas y particiones regulares sobre la región de entrada, generando así, predicciones más robustas sobre la serie de tiempo.