Aplicación de redes neuronales artificiales para el pronóstico de precios de café

Autores/as

  • Karen Shirley Cardozo Rueda Fundación universitaria de San Gil

DOI:

https://doi.org/10.24054/rcta.v1i39.1403

Palabras clave:

Backpropagation, perceptrón, redes neuronales artificiales, predicción de precio

Resumen

En este trabajo se aprovecha la capacidad para realizar pronósticos con modelos no lineales que poseen las redes neuronales artificiales (ANN), con información estructurada y modelos supervisados, empleándolas en la predicción de precios de café de tipo arábico. Sirviendo como apoyo a los pequeños y medianos empresarios cafeteros que cultivan este producto. Además, el modelo de pronóstico se encuentra establecido por el valor del cierre del dólar y del precio de café. También, se realiza el desarrollo teórico de los fundamentos básicos de las redes neuronales Backpropagation y ajuste de pesos, se realiza la caracterización y luego se realiza una simulación de ellas en el lenguaje de programación Python con las librerías de Numpy y Matploit. Los resultados evidencian la cantidad de aciertos que se consiguen a partir de este modelo y su desempeño en el aprendizaje en la reducción de errores

Citas

Aidan, W. (2019), “Inroduction to Neural Networks in Python”, towards data science.

Astray, G., Castillo, J. X., Ferreiro-Lage, J. A., Galvez, J. F., & Mejuto, J. C. (2010), “Artificial neural networks: a promising tool to evaluate the authenticity of wine Redes”. CyTA – Journal of Food, vol. 8(1).

Basogain, X. (2008), Redes neuronales artificiales y sus aplicaciones Dpto. Ingeniería de Sistemas y Automática, Escuela Superior de Ingeniería Bilbao.

Buscema, M.b (1998), “Back propagation neural networks”, Subs. use & misuse, vol.33 (2), p.p 233-270.

Calvo, J., Guzman, M. and Ramos, D. (2018), Machine Learning, Una Pieza Clave En La Transformación De Los Modelos De Negocio, Management Solutions.

da Silva I.N., Hernane Spatti D., Andrade Flauzino R., Liboni L.H.B., dos Reis Alves S.F. (2016), “Artificial Neural Network Architectures and Training Processes”, Artificial Neural Networks. Springer, Cham, pp 21-28.

Desai, S. D., Giraddi, S., Narayankar, P., Pudakalakatti, N. R., & Sulegaon, S. (2019), “Back-propagation neural network versus logistic regression in heart disease classification”, Advanced computing and communication technologies, pp. 133-144, Singapore.

Djilali, L., Suarez, O. J., Sanchez, E. N., Alanis, A. Y., & Garcia, A. P. (2018). Real-time neural backstepping control for a helicopter prototype. Paper presented at the 2017 IEEE Latin American Conference on Computational Intelligence, LA-CCI 2017 - Proceedings, , 2017-November 1-6. doi:10.1109/LA-CCI.2017.8285689

Farizawani, A. G., Puteh, M., Marina, Y., & Rivaie, A. (2020), “A review of artificial neural network learning rule based on multiple variant of conjugate gradient approaches”, Journal of Physics: Conference Series, Vol. 1529, No. 2, p.p 022040.

Nielsen, M. A. (2015), neural networks and deep learning, CA: Determination press, Vol. 2018, San Francisco.

Islam, Mohaiminul & Chen, Guorong & Jin, Shangzh,(2019), “An Overview of Neural Network. American Journal of Neural Networks and Applications”, Vol. 5, No. 1, pp. 7-11. doi: 10.11648/j.ajnna.20190501.12

Jiang, Jingchao & Hu, Guobiao & Li, Xiao & Xu, Xun & Zheng, Pai & Stringer, Jonathan. (2019),“Analysis and Prediction of Printable Bridge Length in Fused Deposition Modelling Based on Back Propagation Neural Network”, Virtual and Physical Prototyping, vol. 14(3), p.p 253-266.

Villada, F., Muñoz, N., & García, E. (2012), “Aplicación de las Redes Neuronales al Pronóstico de Precios en el Mercado de Valores”, Inf. tecnol vol.23, no. 4, pp. 11-20.

Descargas

Publicado

2022-07-28 — Actualizado el 2022-02-02

Versiones

Cómo citar

Cardozo Rueda, K. S. (2022). Aplicación de redes neuronales artificiales para el pronóstico de precios de café. REVISTA COLOMBIANA DE TECNOLOGIAS DE AVANZADA (RCTA), 1(39), 113–117. https://doi.org/10.24054/rcta.v1i39.1403 (Original work published 28 de julio de 2022)

Número

Vol. 1 Núm. 39 (2022): Enero – Junio

Sección

Artículos

Licencia

Derechos de autor 2022 REVISTA COLOMBIANA DE TECNOLOGIAS DE AVANZADA (RCTA)

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.

Los autores que publiquen en esta revista aceptan las siguientes condiciones:

  1. Los autores conservan los derechos morales de autor y otorgan a la revista el derecho de la primera publicación del trabajo. Este trabajo se licencia bajo la Creative Commons Attribution-NonCommercial 4.0 International License (CC BY-NC 4.0 DEED), que permite a terceros utilizar el trabajo siempre que se dé crédito adecuado a los autores y a la primera publicación en esta revista. No se permite el uso comercial de la obra y no se pueden crear obras derivadas.

  2. Los autores pueden celebrar acuerdos contractuales adicionales e independientes para la distribución no exclusiva de la versión del artículo publicado en esta revista (por ejemplo, incluirlo en un repositorio institucional o publicarlo en un libro), siempre que se indique claramente que el trabajo se publicó por primera vez en esta revista.

  3. Se permite y se recomienda a los autores publicar su trabajo en Internet (por ejemplo, en páginas institucionales o personales) antes y durante el proceso de revisión y publicación, ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado.