III Taller de Inteligencia Artificial, Ciencia de Datos y Aplicaciones Criptográficas

Evaluación del modelo TimesFM 2.0 en predicción zero-shot de series temporales mediante ventana deslizante con solapamiento

No programado

20m

Facultad de Matemática y Computación

Ponente

Darián Santiago Llanes Guilarte (CENATAV)

Descripción

Antecedentes
La predicción de series temporales constituye un desafío fundamental en inteligencia artificial, con aplicaciones críticas en climatología, gestión energética y economía. Los modelos fundacionales (foundation models), pre-entrenados en grandes volúmenes de datos, emergen como alternativa prometedora frente a enfoques tradicionales que requieren ajuste específico por dominio. TimesFM 2.0, desarrollado por Google Research (2024), representa un avance en esta dirección al ofrecer capacidades de predicción zero-shot para series univariadas. No obstante, su desempeño en contextos con diferentes resoluciones temporales (diarias/mensuales) y patrones estacionales requiere evaluación sistemática.

Objetivos

1. Evaluar el desempeño predictivo de TimesFM 2.0 en modo zero-shot
   sobre cuatro dominios aplicados.
2. Analizar el impacto de diferentes ventanas de contexto (2048 vs. 256
   puntos históricos).
3. Cuantificar la precisión en series con distintas resoluciones
   temporales (diarias vs. mensuales).
4. Demostrar la aplicabilidad de modelos fundacionales sin necesidad de
   reentrenamiento.

Metodología
Se implementó un esquema de validación con ventana deslizante solapada (1 paso de tiempo), utilizando:

1. 4 series públicas: 1) Temperaturas mínimas diarias (Kaggle,
   1981-1990), 2) Producción eléctrica mensual (Kaggle, 1985-2018), 3)
   Producción cervecera australiana (Kaggle, 1956-1995), 4) Visitantes
   a Cuba (datos oficiales, 1988-2016)
2. Preprocesamiento: Estandarización min-max (0-1), sin covariantes
3. Configuración del modelo: Contexto de 2048 puntos (serie diaria), 256
   puntos (series mensuales)
4. Métricas: Error Absoluto Medio (MAE) y Raíz del Error Cuadrático
   Medio (RMSE)

Resultados
Los errores obtenidos demostraron alta precisión en modo zero-shot:

1. Serie diaria: MAE = 0.08974 (RMSE = 0.11209)
2. Producción eléctrica: MAE = 0.04975 (RMSE = 0.06367)
3. Producción cervecera: MAE = 0.07719 (RMSE = 0.09856)
4. Visitantes Cuba: MAE = 0.03450 (RMSE = 0.04906)

Conclusiones
TimesFM 2.0 demostró capacidad para predecir series en múltiples dominios sin entrenamiento específico, validando el potencial de modelos fundacionales en análisis de series temporales. La ventana de contexto extensa (2048 puntos) no mejoró de forma considerable las predicciones diarias, sugiriendo límites en captura de patrones de alta frecuencia. Los mejores resultados se obtuvieron en series mensuales con baja variabilidad (visitantes a Cuba: MAE = 0.0345), destacando su aplicabilidad en escenarios con datos limitados. Este enfoque reduce costos computacionales y barreras de implementación, aunque se recomienda investigar la integración de covariantes estacionales.