Gilberto Bojórquez Delgado
Instituto Tecnológico Superior De Guasave
0009-0000-7829-6540
Jesús Bojórquez Delgado
Instituto Tecnológico Superior De Guasave
0009-0004-0648-9094
Adalid Graciano Obeso
Instituto Tecnológico Superior De Guasave
0000-0002-0849-0054
Acerca de
La gestión eficiente y sostenible de los recursos naturales y medioambientales es uno de los mayores retos que enfrenta la humanidad en el siglo XXI (Rodríguez Morales et al., 2011). Este desafío se ve exacerbado por la complejidad inherente a los sistemas naturales, los patrones climáticos en constante cambio y la necesidad urgente de adaptar nuestras prácticas a una realidad ambiental que evoluciona rápidamente (Jaquenod De Zsögön, 2019). En este panorama, el análisis de series temporales emerge como una herramienta crítica, esencial para entender, predecir y manejar fenómenos ambientales con una precisión sin precedentes. Aquí, la justificación para centrarse en las Redes Neuronales Recurrentes (RNR) se hace evidente, ya que estas poseen una capacidad única para procesar y aprender de datos temporales, ofreciendo un enfoque innovador y más efectivo para enfrentar estos desafíos ambientales complejos.
Dentro del espectro de las RNR, las Redes de Memoria a Largo Plazo (LSTM por sus siglas en inglés) se destacan por su capacidad para evitar el problema del desvanecimiento del gradiente (Guamán Pachacama y Segura Muñoz, 2021), lo que les permite no solo capturar relaciones a corto plazo, sino también aprender dependencias de largo plazo (Torres, 2021). Esta ca-racterística las hace particularmente adecuadas para modelar y predecir series temporales ambientales que requieren la comprensión de efectos acumulativos y tendencias a largo plazo (Salazar Molina, 2023)por lo que los gobiernos del mundo entero se han comprometido a disminuir estas emisiones para lograr el objetivo 7 del desarrollo sostenible 2030 de las Naciones Unidas: Energía asequible y no contaminante.
Referencias
Alonso, J. I. (2022). Utilización de redes neuronales recurrentes en la predicción de tendencias del mercado de harina de soja.
Bobadilla, J. (2021). Machine learning y deep learning: Usando Python, Scikit y Keras (1a ed.). Ediciones de la U; Editorial Ra-Ma.
García, S., Ramírez-Gallego, S., Luengo, J., Benítez, J. M., & Herrera, F. (2016). Big data preprocessing: Methods and prospects. Big Data Analytics, 1(1), 9. https://doi.org/10.1186/s41044-016-0014-0
Guamán Pachacama, J. A., & Segura Muñoz, G. B. (2021). Red neuronal Long Short-Term Memory (LSTM) aplicada a series temporales para pronosticar consumo energético en edificaciones. [B.S. thesis]. Universidad de Guayaquil. Facultad de Ciencias Matemáticas y Físicas.
Jaquenod De Zsögön, S. (2019). Antropología ambiental. Dykinson.
Joseph, F. J. J., Nonsiri, S., & Monsakul, A. (2021). Correction to: Keras and TensorFlow: A Hands-On Experience. En K. B. Prakash, R. Kannan, S. A. Alexander, & G. R. Kanagachidambaresan (Eds.), Advanced Deep Learning for Engineers and Scientists (pp. C1–C1). Springer International Publishing. https://doi.org/10.1007/978-3-030-66519-7_12
Landázuri Páez, L. L., Gallo Perugachi, K. M., & Estrella Tapia, D. F. (2023). Sistema de Monitoreo/Control de Consumo de energía eléctrica en el hogar mediante Raspberry Pi y Python.: Home energy Consumption monitoring/control System using Raspberry Pi and Python. Revista Científica Multidisciplinar G-nerando, 4(2). https://doi.org/10.60100/rcmg.v4i2.126
Lindemann, B., Maschler, B., Sahlab, N., & Weyrich, M. (2021). A survey on anomaly detection for technical systems using LSTM networks. Computers in Industry, 131, 103498. https://doi.org/10.1016/j.compind.2021.103498
Nguyen, H. D., Tran, K. P., Thomassey, S., & Hamad, M. (2021). Forecasting and Anomaly Detection approaches using LSTM and LSTM Autoencoder techniques with the applications in supply chain management. International Journal of Information Management, 57, 102282. https://doi.org/10.1016/j.ijinfomgt.2020.102282
Pang, B., Nijkamp, E., & Wu, Y. N. (2020). Deep Learning With TensorFlow: A Review. Journal of Educational and Behavioral Statistics, 45(2), 227–248. https://doi.org/10.3102/1076998619872761
Quiguiri Daquilema, C. M. (2023). Contrastando el Machine Learning y la Econometría en series temporales. [B.S. thesis]. Quito: EPN, 2023.
Rengasamy, D., Jafari, M., Rothwell, B., Chen, X., & Figueredo, G. P. (2020). Deep Learning with Dynamically Weighted Loss Function for Sensor-Based Prognostics and Health Management. Sensors, 20(3), 723. https://doi.org/10.3390/s20030723
Rodríguez Morales, V., Bustamante Alfonso, L. M., & Mirabal Jean-Claude, M. (2011). La protección del medio ambiente y la salud, un desafío social y ético actual. Revista Cubana de salud pública, 37, 510–518.
Salazar Molina, E. A. (2023). Metodología para la Evaluación en Proyectos de Energía Solar Fotovoltaica [Doctoral thesis, Universidad Internacional Iberoamericana México]. https://repositorio.unini.edu.mx/id/eprint/6010
Torres, V. (2021, julio). La Sustentabilidad Como Estrategia Para El Desarrollo De La Industria. CONGRESO CIENTÍFICO MULTIDISCIPLINARIO LATAM 2021 Investigación en latinoamérica. http://cathi.uacj.mx/20.500.11961/19976
Vega Moreno, B. D. (2021). Diseño y desarrollo de un sistema de recomendación basado en filtrado colaborativo utilizando datos secuenciales mediante redes neuronales recurrentes [B.S. thesis].
Veléz, A., Mera, C. A., Orduz, S., & Branch, J. W. (2021). Generación de péptidos antimicrobianos mediante redes neuronales recurrentes. Dyna, 88(216), 210–219.
Wang, J., & Dowling, A. W. (2022). PYOMO.DOE: An open‐source package for model‐based design of experiments in Python. AIChE Journal, 68(12), e17813. https://doi.org/10.1002/aic.17813