Els resultats, molt satisfactoris en relació amb els models clàssics estadístics, acaben de ser publicats a la revista Tourism Management
La recerca sobre diversos sistemes i mètodes de processament de la informació amb l'objectiu de trobar, per a cada aplicació concreta, el que s'adapti més bé a la naturalesa de les dades, és la línia principal de treball del Grup de Recerca d'Anàlisi de Dades (GRAD) que encapçala el doctor Alfons Lluís Palmer, professor del Departament de Psicologia de la UIB, i del qual formen part els doctors Juan José Montaño i Albert Sesé. Tots tres investigadors acaben de publicar els primers resultats de la utilització de xarxes neuronals artificials per a la predicció de la despesa turística. El treball, titulat "Designing an artificial neural network for forecasting tourism time series", acaba de ser publicat al volum 27 de la revista Tourism Management.
Les xarxes neuronals artificials (XNA) constitueixen una de les línies de recerca més prometedores en el camp de la intel·ligència artificial (IA), l'objectiu principal de la qual és el desenvolupament de màquines intel·ligents. Les XNA són sistemes de processament de la informació inspirats en l'estructura i el funcionament de les xarxes neuronals del cervell.
Per aquest motiu, consisteixen en un conjunt d'elements simples de processament anomenats nodes o neurones connectades mitjançant connexions que tenen un valor numèric modificable anomenat pes.
Les XNA es caracteritzen pel fet de ser sistemes adaptatius, que aprenen de l'experiència; és a dir, que aprenen a dur a terme determinades tasques mitjançant un entrenament amb exemples il·lustratius. Mitjançant aquest aprenentatge, les XNA creen la seva pròpia representació interna del problema. Per aquest motiu hom diu que són autoorganitzades. Dit d'una altra manera, les XNA són capaces de generalitzar de casos anteriors a casos nous. Aquesta característica és fonamental, ja que permet a la xarxa respondre correctament no solament davant informacions absolutament noves, sinó també davant informacions distorsionades o incompletes.
Els investigadors empraren les dades de la despesa turística anual, des de l'any 1986 fins a l'any 2000, per tal de construir un model de xarxa neuronal artificial aplicat a sèries de dades temporals amb vista a predir situacions futures. En aquest cas, la xarxa a desenvolupar havia de ser capaç de predir la despesa turística d'anys posteriors, només comptant amb les dades aportades.
Les dades de despesa turística entre els anys 1986 i 1996 s'empraren com a dades d'entrenament pel model neuronal construït. La xarxa en aquesta primera fase aprèn a detectar les relacions existents entre el conjunt de dades en un determinat temps (termes retardats) i la següent data passat el temps. En una segona fase, les dades dels anys 1999 i 2000 serviren per testar el correcte funcionament de la xarxa artificial. L'experiment demostrà que la xarxa féu una previsió molt ajustada a la realitat.
La xarxa no empra més paràmetres que la despesa turística. El model desenvolupat és, doncs, univariant, utilitza una sola variable endògena. No obstant això, es pot fer més complexa i incorporar altres variables a l'hora de predir la despesa turística (la inflació, per exemple).
Figura 1
A la figura 1 s'hi representa esquemàticament el model de xarxa neuronal bàsic emprat pels investigadors de la UIB al treball esmentat. Una neurona artificial qualsevol rep senyals de les veïnes (1,2,3,...,N). Aquests senyals són ponderats mitjançant un pes, un valor numèric que determina la magnitud de la connexió. La neurona integra tots els senyals ponderats i hi aplica una funció matemàtica que permet obtenir un senyal de sortida que es transmet a d'altres neurones. D'aquesta manera la neurona emula les característiques funcionals d'una neurona real. Normalment la funció aplicada és no lineal, la qual cosa diferencia els models de neurones artificials dels models estadístics clàssics. En aquests models se solen donar relacions directes o indirectes a l'hora de comparar dues variables, però en tot cas relacions lineals (és a dir, a major o menor valor d'una variable correspon major o menor valor en una altra variable). La introducció de funcions no lineals a les xarxes neuronals artificials els permet, sempre que es disposi de suficients neurones i dades, treballar com un teixit neuronal real.
Referència i enllaç al treball
Designing an artificial neural network for forecasting tourism time series
Autors: Alfonso Palmer, Juan José Montaño i Albert Sesé
Tourism Management 27 (2006): 781-790
Accessible en línia a:
http://authors.elsevier.com/JournalDetail.html?PubID=30472&Precis=&popup
Data de publicació: Thu Nov 16 11:24:00 CET 2006