Estudio de la aplicación de simbolización a series temporales para su predicción con modelos de Aprendizaje Profundo

En este Trabajo de Fin de Máster trabajo se estudia el comportamiento de los modelos de predicción de Aprendizaje Profundo aplicados a series temporales simbolizadas, las ventajas y desventajas respecto a los modelos de predicción de series temporales sin simbolizar. El código de estos modelos se integra en una aplicación didáctica de series temporales. En la primera parte, se introduce el Estado del Arte: se explica el funcionamiento de algoritmos populares de reducción de dimensionalidad y simbolización, y de distintos tipos de Redes Neuronales Recurrentes utilizadas en predicción de series temporales. En el desarrollo, se propone una nueva herramienta de simbolización, y se describen las decisiones tomadas para la creación de los modelos de Aprendizaje Profundo que cumplan con los requisitos descritos en la introducción. Por último, se comparan los resultados los algoritmos de predicción de dos tipos de redes neuronales recurrentes (LSTM y GRU) cuando son aplicados a 5 series temporales diferentes y sus transformaciones simbólicas. Se concluye que, aunque la simbolización no ofrece tantas ventajas en los algoritmos predictivos, es una alternativa viable a predicción de series temporales numéricas.---ABSTRACT---In this master’s Final Project, the behaviour of forecasting models applied to symbolized time series is studied, as well as their advantages and disadvantages with respect to the models for the prediction of numerical time series. The code for these models is integrated into a didactic time series application. In the first part of this Project, the State of the Art is introduced. The functioning of popular dimensionality reduction and symbolization algorithms is explained, as well as the operation of different types of Recurrent Neural Networks used in time series forecasting. In the next part, a new symbolization algorithm is proposed, and the decisions made for the creation of Deep Learning models that meet the requirements described in the introduction are described. Lastly, the results of the prediction of two types of recurrent neural networks (LSTM and GRU) models when applied to 5 different time series and their symbolic transformations are compared. It is concluded that, although symbolization does not have as many advantages as expected in predictive algorithms, it is a viable alternative to numerical time series prediction