Revisión de literatura sobre la integración de modelos autoregresivos integrados de media móvil espacio-temporales generalizados (GSTARIMA) y redes neuronales profundas en el aprendizaje automático para la predicción del clima
Autores: Munandar, Devi; Ruchjana, Budi Nurani; Abdullah, Atje Setiawan; Pardede, Hilman Ferdinandus
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Revisión de literatura sobre la integración de modelos autoregresivos integrados de media móvil espacio-temporales generalizados (GSTARIMA) y redes neuronales profundas en el aprendizaje automático para la predicción del clima
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Cambio climático
Aprendizaje automático
Espacio-temporal
Red neuronal profunda
GSTARIMA
Pronóstico
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 21
Citaciones: Sin citaciones
El tema del cambio climático tiene una gran importancia, afectando varios aspectos de la vida, incluyendo el medio ambiente, la interacción entre las condiciones del suelo y la atmósfera, y la agricultura. Durante las últimas décadas, se han propuesto una variedad de técnicas espaciotemporales y de Redes Neuronales Profundas (DNN) en el campo del Aprendizaje Automático (ML) para la predicción del clima, utilizando datos espaciales y temporales. El modelo de predicción en este documento es altamente complejo, especialmente debido a la presencia de datos no lineales en la modelización residual del Modelo General de Espacio-Tiempo Autoregresivo Integrado de Medias Móviles (GSTARIMA), que representaba datos no estacionarios con dependencias de tiempo y ubicación. Este modelo capturó eficazmente tendencias y datos estacionales con dependencias de tiempo y ubicación. Por otro lado, las DNN demostraron ser fiables para modelar datos no lineales que planteaban desafíos para enfoques espaciotemporales. Esta investigación presentó una visión general completa del enfoque integrado entre el modelo GSTARIMA y las DNN, siguiendo la metodología de Ciclo de Vida de Analítica de Datos de seis etapas. El enfoque fue principalmente en trabajos previos realizados entre 2013 y 2022. La revisión mostró que el modelo de integración GSTARIMA-DNN era una herramienta prometedora para predecir el clima en una región específica en el futuro. Aunque los enfoques espaciotemporales y de DNN han sido ampliamente empleados para predecir el clima y su impacto en la vida humana debido a su eficiencia computacional y capacidad para manejar problemas complejos, se espera que el método propuesto sea universalmente aceptado para integrar estos modelos, que abarcan dependencias de ubicación y tiempo. Además, se encontró que el método GSTARIMA-DNN, incorporando variables multivariadas, ubicaciones y múltiples capas ocultas, era adecuado para la predicción del clima a corto plazo. Finalmente, este documento presentó varias direcciones futuras y recomendaciones para investigaciones adicionales.
Descripción
El tema del cambio climático tiene una gran importancia, afectando varios aspectos de la vida, incluyendo el medio ambiente, la interacción entre las condiciones del suelo y la atmósfera, y la agricultura. Durante las últimas décadas, se han propuesto una variedad de técnicas espaciotemporales y de Redes Neuronales Profundas (DNN) en el campo del Aprendizaje Automático (ML) para la predicción del clima, utilizando datos espaciales y temporales. El modelo de predicción en este documento es altamente complejo, especialmente debido a la presencia de datos no lineales en la modelización residual del Modelo General de Espacio-Tiempo Autoregresivo Integrado de Medias Móviles (GSTARIMA), que representaba datos no estacionarios con dependencias de tiempo y ubicación. Este modelo capturó eficazmente tendencias y datos estacionales con dependencias de tiempo y ubicación. Por otro lado, las DNN demostraron ser fiables para modelar datos no lineales que planteaban desafíos para enfoques espaciotemporales. Esta investigación presentó una visión general completa del enfoque integrado entre el modelo GSTARIMA y las DNN, siguiendo la metodología de Ciclo de Vida de Analítica de Datos de seis etapas. El enfoque fue principalmente en trabajos previos realizados entre 2013 y 2022. La revisión mostró que el modelo de integración GSTARIMA-DNN era una herramienta prometedora para predecir el clima en una región específica en el futuro. Aunque los enfoques espaciotemporales y de DNN han sido ampliamente empleados para predecir el clima y su impacto en la vida humana debido a su eficiencia computacional y capacidad para manejar problemas complejos, se espera que el método propuesto sea universalmente aceptado para integrar estos modelos, que abarcan dependencias de ubicación y tiempo. Además, se encontró que el método GSTARIMA-DNN, incorporando variables multivariadas, ubicaciones y múltiples capas ocultas, era adecuado para la predicción del clima a corto plazo. Finalmente, este documento presentó varias direcciones futuras y recomendaciones para investigaciones adicionales.