Métodos estadísticos y modelos de Machine Learning para la predicción de la radiación solar en Iquitos, 2023

Abstract

This investigative project deployed a meticulous comparison between two methods for predicting solar radiation in Iquitos, utilizing the statistical ARIMA model and a machine learning model grounded in neural networks, with a mixed non-experimental design approach and data provided by SENAMHI, encompassing variables such as solar radiation, relative humidity, and atmospheric pressure. Despite the neural network model displaying formidable performance, accounting for 98.85% of the variability in the training dataset, a decline in its efficiency was observed in the validation and testing phases, hinting at potential overfitting. Conversely, the ARIMA model, while showcasing merely acceptable performance with an MSE of 45.651 and an R² of 0.8500, demonstrated steady robustness. The comparison elucidated that, although neural networks possess superiority in predictive capacity, explaining 95.51% of the variability and showcasing a lower mean squared error, it is imperative to weigh other critical elements such as model interpretation and computational resources when finalizing decisions. Ultimately, while machine learning methods, particularly neural networks, proved to be especially insightful in predicting solar radiation, the exploration and optimization of different modeling approaches emerge as an essential horizon for future research in the field.

Este proyecto investigativo desplegó una comparativa meticulosa entre dos métodos para predecir la radiación solar en Iquitos, utilizando el modelo estadístico ARIMA y un modelo de machine learning(ML) fundamentado en redes neuronales, con un enfoque mixto de diseño no experimental y datos suministrados por SENAMHI, englobando variables tales como radiación solar, humedad relativa y presión atmosférica. A pesar de que el modelo de redes neuronales exhibió un formidable rendimiento, evidenciando un 98.85% de explicación de la variabilidad en el conjunto de entrenamiento, se percibió una disminución de su eficiencia en las fases de validación y prueba, sugiriendo un sobreajuste potencial. Contrariamente, el modelo ARIMA, aunque presentó un rendimiento simplemente aceptable con un MSE de 45.651 y un R² de 0.8500, demostró una robustez constante. La comparativa explicitó que, pese a que las redes neuronales ostentan una superioridad en cuanto a capacidad predictiva, explicando un 95.51% de la variabilidad y exhibiendo un menor error cuadrático medio, es imperativo sopesar otros elementos críticos como la interpretación del modelo y los recursos computacionales al culminar decisiones. En definitiva, mientras que los métodos de ML, particularmente las redes neuronales, demostraron ser particularmente perspicaces en la predicción de la radiación solar, la exploración y optimización de diferentes enfoques modelísticos se presenta como un horizonte esencial para futuras investigaciones en la materia.