Forecasting system based on analytics of interval-valued databases

Las mejoras en la tecnología en las últimas décadas han llevado a un crecimiento increíble en la cantidad de datos que se registran, tratan y analizan todos los días. En este contexto, una nueva línea de investigación se ha abierto recientemente, la cual propone la formulación de los métodos clásicos de análisis de datos establecidos para valores puntuales utilizando análisis de datos simbólicos (ADS).
Los inicios del análisis de datos simbólicos se remontan años atrás; no obstante, por el momento sigue siendo un campo altamente inexplorado, donde sólo se han encontrado avances científicos relevantes en el marco de los datos en forma de histogramas y, especialmente, en la representación intervalar con la pertinente aritmética de intervalos (AI). La AI ha proporcionado ya a investigadores y matemáticos con una herramienta increíblemente poderosa para implementar técnicas de análisis en campos como la estadística descriptiva o la minería de datos, sin embargo, el uso de la AI en el marco de la analítica aplicada está sufriendo constantes avances y es ya un prometedor campo de investigación. Como demuestra el aumento exponencial en la última década del número de publicaciones de artículos y citas relacionadas con el tema.
El propósito de este proyecto es continuar esta línea de investigación, llevando a cabo una exploración inicial del estado del arte en el contexto clásico de las series temporales.
Se prestará especial atención a los métodos que trabajan las redes neuronales artificiales, ya que será necesario desarrollar un conocimiento profundo de las estructuras mencionadas con el fin de poder introducir la segunda parte del proyecto: la implementación de un método de generación de pronósticos no lineal basado en el uso de estructuras de redes neuronal artificiales adaptadas al manejo de datos de tipo intervalo, en concreto, la adaptación del consolidado perceptrón multicapa para datos de intervalo. La implementación que se llevará a cabo se ha propuesto ya en investigaciones anteriores y ha conseguido resultados prometedores en el campo del análisis predictivo, es decir, y concretamente en los métodos de predicción.

Improvements in technology in the past two decades have led to an incredible growth in the amount of data that is recorded, treated and analyzed every day.
In this context, a new line of investigation has been recently opened that proposes the formulation of the classic methods for point-valued data using Symbolic Data Analysis (SDA).
SDA traces back years ago but it till is a highly unexplored field, where major scientific advances have only been found in the context of intervals with Interval Arithmetic (IA). IA has already provided researchers and mathematicians with an incredibly powerful tool to implement analysis techniques , however, the use of IA in applied analytics is still only a growing field of investigation as proved by the number of publications of articles and citations related to the topic, that have raisedexponentially.
The purpose of this project is to continue this line of investigation, with an initial exploration of the state of the art in the context of classical time series. A special focus will be deployed in the latter, since there will be necessary to develop a thorough understanding of the aforementioned structures in order to introduce the later part of the project: the implementation of a nonlinear forecasting method based on the use of artificial neural network structures adapted to handle interval-valued data. The application that will be carried out has already been proposed in previous research and has proved to yield promising results in the predictive analysis field.
Ultimately, the original implementation of the established model of an interval multilayer perceptron in the MatLab programming environment will be thoroughly explained, acquainting for the mathematical and computational details of the tool to serve as background knowledge that will facilitate the understanding of the case studies that have been carried out for the project.