El proceso de aprendizaje de las redes neuronales es del tipo supervisado, esto significa que además de las entradas, la red debe entrenarse con un conjunto de valores de la salida deseada. El algoritmo de aprendizaje utilizado es propagación inversa (backpropagation), que minimiza la suma del error cuadrado hacia atrás en la red.

Su funcionamiento se resume de la siguiente manera, cada patrón de entrenamiento se propaga hacia adelante a través de la red, obteniendo una respuesta en la capa de salida, esta se compara con el patrón objetivo (salida deseada) para encontrar el error de aprendizaje. Luego, el error se propaga hacia atrás y con base en este cálculo del error se actualizan las ponderaciones (pesos) y umbrales de cada capa. 

​

Escenarios futuros y pronóstico

Para determinar los escenarios futuros de predicción se debe conocer inicialmente el tipo de distribución de los datos sobre la generación de residuos orgánicos suministrados por IPES y reconstruidos con redes neuronales. A partir de una prueba de chi-cuadrada con ayuda del software Stat-fit de ProModel, se encuentra que estos datos están distribuidos normalmente con un ranking de 75,4, media de 120.045 kg/mes y desviación de 22.537 kg/mes. Una vez determinado el tipo de distribucion que tienen los datos, se generan las variables aleatorias normales con el metodo de convolución, luego se simulan 10  escenarios futuros que se utilizaran como patrones deseados en el aprendizaje de la red neuronal artificial de predicción.

El mejor modelo que se ajustó para la obtención del pronóstico de la generación de residuos orgánicos para los años 2021 y 2022, corresponde a una red neuronal con cuatro entradas, dos capas ocultas de 20 y 25 neuronas y una neurona en la capa de salida. Para todas las neuronas se utilizaron funciones de activación del tipo sigmoidal logaritmo, que fueron las que mejor desempeño presentaron.

Los resultados obtenidos de este modelo con un entrenamiento de 60000 épocas se observan en la figura 4. Aquí la línea azul corresponde a la generación de residuo orgánico histórico entre los años 2017 y 2020, y al escenario promedio para los años 2021 y 2022. En color rojo se ve el resultado del aprendizaje de la red neuronal entre el año 2017 y 2020, donde se aprecia un buen seguimiento y en consecuencia un bajo nivel en la suma del error cuadrado (0.0815). Por otro lado, en el círculo verde se aprecia en color rojo el pronóstico de generación de residuo orgánico para los años 2021 2022.