Estudio de series temporales usando aprendizaje automático : un estudio comparativo entre redes recurrentes y transformers

• Autores: Gómez, Franco Agustín
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: tesis de grado
• Colaborador/a o director/a de tesis: Tamarit, Francisco Antonio; Domínguez, Martín Ariel
• Materia: Metodologías informáticas; Aprendizaje automático; Redes neuronales; Series temporales; Regresión; Clasificación; Transformers; LSTM; Computing methodologies; Machine learning; Neural networks
• Institución: Universidad Nacional de Córdoba

Tesis (Lic. en Ciencias de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2025.
Fil: Gómez, Franco Agustín. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.
El análisis de series temporales se ha convertido en una herramienta poderosa para comprender, modelar, clasificar y pronosticar datos que se recopilan a lo largo del tiempo. Al aprovechar los modelos y técnicas apropiados, se pueden descubrir patrones subyacentes, tomar decisiones informadas y predecir tendencias futuras de manera efectiva. En este trabajo se investiga la aplicación de técnicas de aprendizaje automático, en particular redes neuronales, al problema de clasificación y predicción de las series mencionadas. A lo largo del trabajo se entrenan redes neuronales convolucionales, redes neuronales recurrentes con capas LSTM y las novedosas redes neuronales Transformers, con el objetivo de poder ofrecer un estudio comparativo sobre los diferentes desempeños. Se dividieron los problemas en varios casos de estudio, cada uno con características diferentes para analizar el desempeño de cada una de las topologías mencionadas. Se han logrado resultados satisfactorios. Este trabajo fue desarrollado para contribuir a la difusión del uso de la red Transformer, ya que al no ser una arquitectura usual en problemáticas referidas a las series temporales, muestran resultados prometedores en su uso.
Time series analysis has become a powerful tool for understanding, modeling, classifying, and forecasting data collected over time. By leveraging appropriate models and techniques, underlying patterns can be discovered, informed decisions can be made, and future trends can be effectively predicted. This paper investigates the application of machine learning techniques, particularly neural networks, to the problem of classifying and predicting the aforementioned time series. Throughout the paper, convolutional neural networks, recurrent neural networks with LSTM layers, and the novel Transformer neural networks are trained to offer a comparative study of their different performances. The problems were divided into several case studies, each with different characteristics, to analyze the performance of each of the aforementioned topologies. Satisfactory results have been achieved. This paper was developed to contribute to the dissemination of the use of the Transformer network, since, despite not being a common architecture for time series problems, it shows promising results.
Fil: Gómez, Franco Agustín. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.