Mejora del Pronóstico de Series Temporales mediante Modelos Neuronales Híbridos y Técnicas de Descomposición

M. González Espinsoa, M. B. Pérez Sánchez, J. J. López Espín, A. Peñalver Benavent

El pronóstico de series temporales es clave en sectores como finanzas, energía y salud, donde la precisión impacta en la toma de decisiones. Estas series pueden descomponerse en tendencia, estacionalidad y residuales, lo que permite modelar cada componente con técnicas especializadas para mejorar la predicción. Proponemos un enfoque híbrido donde las redes LSTM y Bi-LSTM capturan dependencias de largo plazo para la tendencia, mientras que modelos como ARIMA y SARIMA abordan patrones cíclicos en la estacionalidad. La componente residual, a menudo considerada ruido pero con patrones no triviales, se modela con XGBoost o redes neuronales convolucionales (CNN). Nuestros resultados demuestran que la descomposición previa y el modelado especializado reducen significativamente el error de predicción. Este enfoque híbrido ofrece una estrategia flexible y escalable para mejorar el análisis y pronóstico de series temporales complejas en diversos dominios.

Keywords: Descomposicion, Series Temporales, Machine Learning, Deep Learning, Optimización, Predicción.

Data Analysis I
June 10, 2025  11:30 AM
Auditorio 2. Leandre Cristòfol

A. Mateos Caballero, A. Rafael Domínguez, A. Jiménez-Martín

I. García Prieto, R. Dale Valdivia, J. Martínez Gandía

I. Gutiérrez García-Pardo, D. Gómez, J. Castro, B. Bimber, J. Labarre

C. GARCIA-YERENA, E. Delahoz-Domínguez, R. Zuluaga-Ortiz