Evolution of nearest neighbors forecasters for noisy and chaotic time series

Abstract

This thesis presents a forecasting method based on the Nearest Neighbors algorithm that, with the use of Differential Evolution, is able to obtain the best parameters to produce accurate forecasts of chaotic time series with the presence of noise. This method is called NNDE. Several case studies were analyzed (synthetic time series, wind speed, temperature and solar irradiance, and electrical demand) comparing different forecasting methods and in most cases NNDE obtains substantially better results than the rest of the methods.

Esta tesis presenta un método de pronóstico basado en el algoritmo de Vecinos Cercanos el cual, usando Evolución Diferencial, es capaz de obtener los mejores parámetros para producir pronósticos precisos de series de tiempo caóticas y en presencia de ruido. Este método se llamó NNDE. Se analizaron varios casos de estudio (series de tiempo sintéticas, velocidad de viento, temperatura e irradiación solar, y demanda eléctrica) comparando diferentes métodos de pronóstico. En la mayoría de los casos, NNDE obtuvo resultados sustancialmente mejores que el resto de los métodos.