Reducción de la dimensionalidad de series temporales climáticas usando Deep Multi-Layer Autoencoder

Abstract

En este trabajo se propone un m´etodo basado en autoencoder para la reducción de la dimensionalidad de series temporales, el cual consiste en la configuración del número de capas y unidades. El método se comparo´ con técnicas de reducción de dimensionalidad lineales y no lineales. Además se provee dos casos de estudio para determinar relaciones en datos climáticos. Es importante la representación adecuada de las series temporales al momento de proceder a analizar con algoritmos de minería de datos y aprendizaje automático. En series temporales hay una diversidad de t´ecnicas de representación que a la vez hacen reducción de dimensionalidad. La representación más simple es considerar las series temporales ya de por sí como vector de características. De acuerdo a nuestro conocimiento, el autoencoder ha sido ampliamente estudiado en imágenes más no en series temporales. Este trabajo constituye un primer paso para llevar estudios más elaborados en series temporales con autoencoder, especialmente de climatología. Si bien existen estudios de otros tipos de redes neuronales Long Short-Term Memory Units (LSTMs) en análisis de series temporales, esos estudios no se relacionan con el autoencoder. Como parte de nuestros resultados se presenta: análisis de la capacidad de reducción de la dimensionalidad del método propuesto (multilayer autoencoder) en series temporales de UCR Time Series Classification Archive a trav´es de la calidad de clustering, análisis la capacidad en visualización a través del stress y análisis de dos casos de estudio en busca relaciones y similitudes en temperatura promedio de diferentes lugares en el Perú.