Comparación de modelos estadísticos, de aprendizaje automático y modelos fundacionales para la predicción de series temporales

Tutores: Magdalena Pereda y Esteban Cabello

Descripción: El objetivo de esta línea de Trabajo Fin de Máster es comparar diferentes metodologías de predicción de series temporales, incluyendo modelos estadísticos clásicos (ARIMA/SARIMA), técnicas de aprendizaje automático (XGBoost) y modelos fundacionales (TimeGPT).

El trabajo incluirá una revisión de los fundamentos teóricos de los modelos considerados, el análisis exploratorio de series temporales reales y la implementación de los métodos seleccionados.

La capacidad predictiva de los distintos modelos se evaluará mediante métricas de error y procedimientos de validación cruzada adaptados a series temporales.

El estudio se llevará a cabo mediante su aplicación a datos reales, con el fin de comparar el rendimiento predictivo de los diferentes enfoques y analizar sus principales ventajas y limitaciones.