Técnicas estadísticas para la modelación y predicción de la temperatura y velocidad de viento en la provincia de Chimborazo.
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 E...
Збережено в:
| Автор: | |
|---|---|
| Інші автори: | |
| Формат: | bachelorThesis |
| Мова: | spa |
| Опубліковано: |
2019
|
| Предмети: | |
| Онлайн доступ: | https://dspace.espoch.edu.ec/handle/123456789/10955 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
Додати тег | Резюме: | 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. |
|---|