Aprendizaje profundo y computación de reservorio para abordar problemas de regresión : aplicaciones en el sector primario

Abstract

En este Trabajo de Fin de Grado (TFG) se aborda un problema de gran interés práctico como es la predicción de la evolución de los precios de productos agropecuarios. Para ello se hace uso de diferentes modelos computacionales basados en redes neuronales y se aplicarán a la predicción de precios de productos agrícolas (aguacate) y del sector de acuicultura (dorada y salmón). En el trabajo se plantea el uso de técnicas neuronales de aprendizaje profundo y computación de reservorio para abordar los problemas propuestos. Se presentarán los fundamentos de estos enfoques, destacando su capacidad para modelar relaciones complejas en series temporales. El estudio incluirá un análisis comparativo entre modelos de redes neuronales profundas, como redes recurrentes (RNN, LSTM, GRU), y la computación de reservorio mediante Redes de Estado de Eco (ESN), enfatizando la eficiencia de estas últimas en el procesamiento de datos secuenciales con un menor costo computacional. Para dicho análisis, se emplearán series de datos temporales reales relacionadas con productos pesqueros y agrícolas. Finalmente, se discutirán las ventajas y desafíos de la computación de reservorio frente a otros enfoques de aprendizaje profundo, destacando su eficiencia computacional, facilidad de implementación y potencial para abordar problemas de regresión en distintos ámbitos.

This Final Degree Project (TFG) addresses a problem of significant practical interest: predicting the evolution of prices for agricultural and aquaculture products. To this end, various computational models based on neural networks are employed and applied to price forecasting for agricultural products (avocado) and aquaculture products (gilt-head bream and salmon). The work proposes the use of deep learning techniques and reservoir computing to tackle the proposed problems. The foundations of these approaches are presented, highlighting their ability to model complex relationships in time series data. The study includes a comparative analysis between deep neural network models, such as recurrent neural networks (RNN, LSTM, GRU), and reservoir computing through Echo State Networks (ESN), emphasizing the efficiency of the latter in processing sequential data with lower computational cost. For this analysis, real-world time series data related to agricultural and aquaculture products are used. Finally, the advantages and challenges of reservoir computing are discussed in comparison to other deep learning approaches, emphasizing its computational efficiency, ease of implementation, and potential to address regression problems in various domains.