Fernan A. Villa
Grupo de Computación Aplicada, Universidad Nacional de Colombia – Sede Medellín

Juan D. Velásquez
Grupo de Computación Aplicada, Universidad Nacional de Colombia – Sede Medellín

Reinaldo Castro Souza
Depto. Eng. Elétrica - Pontifícia Universidade Católica do Rio de Janeiro

Abstract: Forecasting of time series using artificial neural networks is an important research topic due to the practical implications in fields as economics, finance and social sciences. Cascade-correlation neural networks seem to have better abilities for capturing nonlinear dynamics in relation to the other classical architectures as multilayer perceptrons. However, cascade-correlation network, as other models, may over fit the data. In this paper, we compare the ability of cascade-correlation networks trained using regularization techniques for forecasting a benchmark time series, and we show that regularization techniques allows us to find models with better generalization and forecasting ability.

Resumo: La predicción de series de tiempo usando redes neuronales artificiales es un tópico importante de investigación debido a sus implicaciones prácticas en campos como la economía, las finanzas y las ciencias sociales. Las redes neuronales cascada-correlación parecen tener mejores habilidades para capturar dinámicas no lineales en comparación con otras arquitecturas clásicas tales como los perceptrones multicapas. Sin embargo, la red cascada-correlación, como otros modelos, podría sobreajustar los datos. En este artículo, se compara la habilidad de las redes cascada-correlación, entrenadas usando técnicas de regularización, para pronosticar una serie benchmark, y se muestra que las técnicas de regularización permiten encontrar modelos con mejor generalización y habilidad de pronóstico.

Keywords: cascade-correlation neural network, regularization, weight decay, weight elimination, time series, prediction