Modelos Fundacionales de Series Temporales: Casos de Uso y Beneficios
Los modelos fundacionales de series temporales (TSFMs) se basan en los avances en modelos fundacionales del procesamiento del lenguaje natural y la visión. Utilizando arquitecturas basadas en transformadores y datos de entrenamiento a gran escala, logran un rendimiento de cero disparos (zero-shot) y se adaptan a sectores como las finanzas, el comercio minorista, la energía y la atención médica.
Descubra la arquitectura, los casos de uso, la adopción en industrias, los beneficios, los desafíos y las comparaciones de los modelos fundacionales de series temporales con los modelos existentes:
¿Qué son los modelos fundacionales de series temporales?
Los modelos fundacionales de series temporales (TSFMs) son modelos preentrenados a gran escala diseñados para manejar datos de series temporales en diversos dominios y aplicaciones.
Inspirados por el éxito de los modelos fundacionales en procesamiento del lenguaje natural (NLP) y visión por computadora, los TSFMs extienden el paradigma representacional de los modelos fundacionales a la previsión y el análisis secuencial. Los principales TSFMs son:
Amazon Chronos-2 es un modelo solo de codificador derivado de la arquitectura del codificador T5 y ha alcanzado decenas de millones de descargas en Hugging Face.1
Salesforce Moirai-2 utiliza una arquitectura de transformador solo de descodificador entrenada en el conjunto de datos LOTSA de 27 mil millones de observaciones.
Sundial, desarrollado por investigadores de la Universidad de Tsinghua, tiene resultados líderes en el mercado en el conjunto de datos TimeBench.
TimesFM-2.5
TimesFM-2.5 es el modelo más reciente de Google en la serie TimesFM. Es un modelo preentrenado con ~200M de parámetros y una longitud de contexto de 16k, entrenado en un corpus de puntos de datos de series temporales del mundo real. 2 En comparación con los modelos de lenguaje grandes (LLMs), ofrece un tamaño compacto, inferencia rápida y un enfoque en datos de series temporales.
Arquitectura y entrenamiento
TimesFM toma prestada la arquitectura de transformador solo de descodificador de los modelos de lenguaje: las capas apiladas de atención auto-referencial y feedforward generan la siguiente salida condicionada únicamente al contexto pasado.
A diferencia del texto, el modelo representa una secuencia como parches de puntos de tiempo contiguos; cada parche se incrusta (mediante un bloque residual MLP más codificaciones posicionales) y se trata como un token. Una elección clave de diseño es predecir una longitud de parche de salida más larga que la del parche de entrada, lo que reduce los pasos iterativos en la inferencia y limita la acumulación de errores en horizontes largos.
Para el entrenamiento del modelo, Google mezcla datos sintéticos (para enseñar la "gramática" temporal básica) con un conjunto de datos grande y diverso de series reales (por ejemplo, Google Trends y Wikipedia Pageviews) para mejorar la transferencia. La escala total de preentrenamiento es del orden de 100B puntos de tiempo.
Figura 1: Gráfico que muestra la arquitectura de TimesFM.3
Evaluación y resultados
Google evaluó TimesFM en modo puramente de cero disparos (zero-shot) en diversos puntos de referencia públicos. En el Monash Forecasting Archive, TimesFM supera a la mayoría de los modelos estadísticos (por ejemplo, ARIMA, ETS) y iguala o supera varias líneas base de aprendizaje profundo entrenadas en la serie objetivo.
En tareas de horizonte largo (por ejemplo, conjuntos de datos ETT), la precisión de cero disparos de TimesFM rivaliza con las líneas base supervisadas (por ejemplo, PatchTST entrenado por conjunto de datos) y supera a los pronosticadores basados en prompts de LLM. Las métricas incluyen MAE escalado y resúmenes de media geométrica en todos los conjuntos de datos.4
Características clave y arquitectura de los TSFMs
La arquitectura de transformador de los TSFMs utiliza atención auto-referencial, conexiones residuales y capas lineales para modelar dependencias de largo alcance y patrones de estacionalidad. Los parches de entrada se transforman mediante un perceptrón multicapa en incrustaciones, mientras que las codificaciones posicionales preservan el orden temporal.
En comparación con otros modelos fundacionales, estas arquitecturas están adaptadas para tareas de previsión, en lugar de procesamiento de texto o imágenes.
Figura 2: Diagrama que muestra diferentes técnicas de adaptación.5
¿Cuáles son los casos de uso principales?
Previsión
La previsión implica predecir puntos futuros en una serie temporal dados los patrones históricos. Los TSFMs abordan esto generando pronósticos puntuales o salidas de previsión de series temporales probabilísticas, según sea necesario.
A diferencia de los modelos de previsión de series temporales univariadas o los modelos estadísticos, integran múltiples señales, incluidas variables exógenas como el clima o las promociones. Esta flexibilidad los hace adecuados para la planificación de la demanda en el comercio minorista, la previsión de la carga energética y el análisis de mercados financieros.
Clasificación
En la clasificación, el objetivo es etiquetar o categorizar patrones dentro de una serie fundacional. Los TSFMs utilizan modelos basados en transformadores para reconocer estructuras características como arritmias en datos médicos o picos de demanda inusuales en el comercio minorista.
Imputación
La imputación rellena los huecos en las secuencias faltantes. Los TSFMs reconstruyen los intervalos faltantes aprovechando los patrones aprendidos de diversos conjuntos de datos durante el entrenamiento unificado.
A diferencia de la interpolación simple, mantienen la coherencia con la estacionalidad y las tendencias. Las aplicaciones incluyen rellenar huecos en registros de uso de energía o datos de monitoreo médico, donde la información faltante puede afectar las tareas de previsión posteriores.
Anomaly detección
Los TSFMs identifican desviaciones de los patrones esperados comparando las señales actuales con su representación aprendida del comportamiento normal.
Su capacidad para generalizar en diversos dominios mejora el rendimiento de cero disparos, incluso en casos donde las anomalías son raras. Esto es relevante en la detección de fraudes, el mantenimiento predictivo y el monitoreo de ciberseguridad. En comparación con trabajos anteriores en detección de anomalías, los TSFMs integran la previsión de series temporales con la clasificación, proporcionando detección consciente del contexto.
Industrias que adoptan TSFMs
Comercio minorista
Los minoristas dependen en gran medida de los modelos de previsión para la gestión de inventarios y la planificación de ventas.
Los modelos estadísticos tradicionales a menudo no logran captar influencias externas como vacaciones, promociones o cambios económicos. Los TSFMs incorporan variables exógenas y se adaptan mediante ajustes de pocos disparos.
Por ejemplo, un minorista global puede aplicar un modelo entrenado en un conjunto de datos diverso y lograr predicciones confiables en múltiples regiones.
Finanzas
Los sistemas financieros requieren proyecciones de horizonte de previsión y detección de anomalías. Los modelos de regresión o modelos de aprendizaje profundo ajustados para mercados específicos a menudo luchan con cambios estructurales.
Los TSFMs proporcionan previsión de cero disparos para nuevos instrumentos y se adaptan a la volatilidad mediante aprendizaje por transferencia. Los casos de uso incluyen la previsión de precios de acciones, el modelado de riesgos de cartera y la detección de fraudes.
Atención médica
La atención médica produce datos continuos de series temporales de dispositivos de monitoreo. Los enfoques tradicionales para la detección de anomalías en signos vitales dependen de umbrales fijos. Los TSFMs, en cambio, aprenden tanto de datos clínicos como de datos sintéticos, lo que permite sistemas de alerta temprana que se adaptan a las líneas base específicas del paciente. Más allá del monitoreo, apoyan el descubrimiento de conocimiento en ensayos clínicos al identificar patrones temporales sutiles en grandes conjuntos de datos.
Energía
Los sistemas energéticos generan series temporales de sensores y medidores. A diferencia de los métodos tradicionales que asumen patrones estacionales fijos, los TSFMs manejan condiciones variables como la generación renovable.
Combinan historias de consumo con variables exógenas como la temperatura y la velocidad del viento, produciendo salidas de previsión de series temporales probabilísticas para el equilibrio de la red. La eficiencia computacional es relevante aquí, ya que los pequeños mezcladores de tiempo proporcionan predicciones localizadas a un costo menor. Explore aplicaciones de IA para la sostenibilidad para obtener más información.
Transporte
Las redes de transporte dependen de la previsión para el flujo de tráfico y la logística. Los modelos anteriores de aprendizaje automático requerían un entrenamiento de modelo separado para cada ciudad o ruta. Los TSFMs entrenados en conjuntos de datos diversos pueden transferirse entre regiones con una adaptación mínima ajustada.
Los ejemplos del mundo real incluyen la previsión de congestión en áreas urbanas y la optimización de rutas de entrega en logística.
Fabricación
En la fabricación, el mantenimiento predictivo es un caso de uso principal. Los modelos de regresión tradicionales entrenados con datos de una sola máquina a menudo carecen de transferibilidad. Los TSFMs manejan dependencias de largo alcance a través de sensores y ciclos de producción, mejorando la detección temprana de fallos.
Cuando se ajustan con datos específicos de la instalación, logran un mejor rendimiento en la reducción de tiempos de inactividad y la garantía del control de calidad.
Clima y clima
El modelado del clima y el clima requiere gestionar múltiples horizontes de previsión, desde horas hasta años. Los modelos estadísticos y los métodos tradicionales a menudo no logran captar la variabilidad multiescala.
Los TSFMs, a través de su arquitectura de transformador y mecanismos de atención auto-referencial, pueden modelar tanto dependencias locales como globales. Los ejemplos incluyen la previsión de precipitaciones a corto plazo y las predicciones de ciclos climáticos. La previsión de series temporales probabilísticas ayuda a cuantificar la incertidumbre en estas salidas.
Informática urbana
Las ciudades inteligentes dependen de datos de series temporales de transporte, servicios públicos e infraestructura. Los modelos existentes están actualmente aislados por tarea. Los TSFMs los unifican bajo un solo modelo que puede implementarse en diversos dominios, adaptándose con datos de entrenamiento adicionales mínimos.
Los ejemplos incluyen la optimización del uso de energía en edificios, la previsión de la congestión del tráfico y la gestión de sistemas de suministro de agua.
Beneficios de los modelos fundacionales de series temporales
Las ventajas clave de los TSFMs en comparación con los modelos existentes incluyen:
- Rendimiento de cero disparos: Ofrecer resultados sólidos en conjuntos de datos no vistos sin adaptación ajustada.
- Reducción de los costos de entrenamiento: Reutilización de un modelo en diversos dominios en lugar de entrenar modelos separados.
- Generalización de dominio: Un modelo se adapta a diversos contextos con aprendizaje por transferencia y aprendices de pocos disparos.
- Eficiencia computacional: Más pequeño que los grandes modelos fundacionales en NLP, pero aún así ofrece un mejor rendimiento.
- Versatilidad: Manejo de diversos horizontes de previsión, granularidades y longitudes de parche de salida.
Añadir como fuente preferidaDesafíos
Desafíos técnicos
Escasez de datos de entrenamiento: A diferencia del texto para los modelos de lenguaje, los conjuntos de datos públicos disponibles para datos de series temporales son más pequeños. Sin embargo, ahora existen conjuntos de datos como el Archivo de Series Temporales Abierto a Gran Escala (LOTSA) con miles de millones de observaciones en múltiples dominios.6
Falta de estructura universal: No hay equivalente de vocabulario o gramática.
Dinámicas temporales complejas: Patrones de estacionalidad diversos e historias.
Especificidad del dominio: Tasas de muestreo y comportamientos diferentes entre industrias.
Desafíos prácticos
- Preocupaciones de privacidad en la recopilación de diversos conjuntos de datos.
- Requisitos de alta eficiencia computacional para el entrenamiento de modelos.
- Cambio de distribución en entornos en evolución.
- Interpretabilidad y transparencia en aplicaciones del mundo real.
- Integración en sistemas heredados y flujos de trabajo relacionados.
Modelos fundacionales de series temporales: Factores de desarrollo y diseño
Modelos fundacionales de series temporales: Resultados y factores operativos
Diferencias con otros modelos fundacionales
Los TSFMs se apartan de los modelos de lenguaje y los modelos fundamentales de visión de varias maneras:
- Modalidad de datos: Datos numéricos secuenciales en lugar de texto o imágenes.
- Arquitectura: Arquitecturas basadas en transformadores adaptadas con parcheo y normalización (por ejemplo, normalización de instancia reversible).
- Enfoque de entrenamiento: Incorporación de datos sintéticos y corpus del mundo real, como conjuntos de datos de investigación de Google.
- Escala: Más pequeño en tamaño que los grandes modelos fundacionales, pero ofrece pronósticos puntuales de alta calidad.
- Evaluación: Puntos de referencia en tareas de previsión, detección de anomalías e imputación en lugar de comprensión de texto.
Conclusión
Los modelos fundacionales de series temporales representan un cambio de los modelos estadísticos específicos del dominio, los modelos de regresión y el aprendizaje profundo supervisado hacia un modelo unificado para series temporales. Al aplicar arquitecturas basadas en transformadores y aprovechar modelos preentrenados, ofrecen soluciones escalables para tareas de previsión, detección de anomalías y otras aplicaciones en diversas industrias.
Aunque persisten desafíos en la disponibilidad de datos de entrenamiento, la interpretabilidad y la integración en flujos de trabajo existentes, las ventajas en la previsión de cero disparos, el aprendizaje por transferencia y la adaptabilidad entre dominios posicionan a los TSFMs como un paso clave hacia la previsión de propósito general. A medida que avanza la investigación y los modelos fundacionales de código abierto se expanden, es probable que la adopción crezca tanto en entornos académicos como del mundo real.
Cita esta investigación
Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.
@misc{ermut2026,
author = {Ermut, Sıla},
title = {{Modelos Fundacionales de Series Temporales: Casos de Uso y Beneficios}},
year = {2026},
month = jun,
howpublished = {\url{https://aimultiple.com/time-series-foundation-models}},
note = {AIMultiple. Recuperado el 12 de Junio de 2026}
}Enlaces de referencia
Sé el primero en comentar
Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.