Generando Secuencias Con Redes Neuronales Recurrentes

Los Sistemas Globales de Navegación por Satélite (GNSS) son sistemas que adquieren datos continuamente y proporcionan series de tiempo de posición. Muchas aplicaciones de monitoreo se basan en datos GNSS y su eficiencia depende de la capacidad en el análisis de series de tiempo para caracterizar el contenido de la señal y/o predecir las coordenadas que llegan. En este trabajo proponemos una Arquitectura de Red adecuada, basada en Redes Neuronales Recurrentes de Memoria a Largo y Corto Plazo, para resolver dos tareas principales en el análisis de series de tiempo GNSS: la eliminación de ruido y la predicción. Llevamos a cabo un análisis sobre una serie de tiempo sintética, luego inspeccionamos dos estudios de caso reales diferentes y evaluamos los resultados. Desarrollamos una red no profunda que elimina casi el 50% de la dispersión de las series de tiempo GNSS reales y logra una predicción de coordenadas con un Error Cuadrático Medio de 1.1 milímetros.