Redes neuronales recurrentes para la predicción de series temporales

La predicción de series temporales se aborda bien mediante modelos autorregresivos tanto lineales como no lineales autorregresivos basados en sistemas dinámicos. Una alternativa reciente es la utilización de modelos que tienen su origen en el campo de la neurocomputación como son las redes neuronales, que han demostrado una alta capacidad predictiva. Un primer paso en esa dirección es el empleo de denominadas redes neuronales profundas (DNN), continuando por las redes neuronales recurrentes (RNN) y Gated Recurrent Units (GRU) o redes más complejas como LSTM o Long Short Term Memory, que se han reforzado con la introducción de métodos más avanzados como, mecanismos de atención, modelos Transformer y, en general, aprendizaje Seq2seq. Si bien su aplicación se ha centrado principalmente en el proceso de lenguaje natural, al fnal se trata de modelos que tienen una aplicación a la modelización y predicción de procesos temporales generales, por lo que su uso se está extendiendo a otros ámbitos como la monitorización de series biomédicas, la predicción fnanciera de índices bursátiles o la de fenómenos meteorológicos, bien directamente a la de sus consecuencias como por ejemplo la predicción de demanda eléctrica que es la aplicación particular que hemos elegido para demostrar el potencial de dichos modelos. En cuanto al desarrollo, se contextualizará dentro de la comparación de modelos y la optimización de arquitecturas neuronales al problema de la predicción de la demanda eléctrica de la Península Ibérica. Mostraremos los resultados más prometedores o explicativos y defniremos los pros y los contras de cada arquitectura con respecto a dicho problema, observando y controlando el ciclo de entrenamiento de las redes neuronales y poniendo como referencia modelos sencillos para ver el alcance de nuestro procedimiento