Mejora del Pronóstico de Series Temporales mediante Modelos Neuronales Híbridos y Técnicas de Descomposición
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.
Palabras clave: Descomposicion Series Temporales Machine Learning Deep Learning Optimización Predicción.