La mayoría de los modelos que hemos visto asumen algo que parece inofensivo: que el orden de los datos no importa, que cada fila es independiente de las demás. Para predecir el precio de una casa, da igual en qué orden mires las casas. Pero hay un mundo enorme de problemas donde el orden lo es todo: la demanda eléctrica de mañana, el precio del cobre la próxima semana, cuántas alertas astronómicas llegarán esta noche. Ahí el tiempo no es una columna más: es el eje sobre el que ocurre todo. Ese es el terreno de las series de tiempo.
Qué tiene de especial una serie de tiempo
Una serie de tiempo es una secuencia de observaciones ordenadas en el tiempo: una medición por hora, por día, por año. Su rasgo definitorio es que cada punto depende de los anteriores. La temperatura de hoy se parece a la de ayer; las ventas de diciembre se parecen a las del diciembre pasado. Esa dependencia es justo lo que un modelo de series de tiempo intenta capturar —y lo que rompe la suposición de independencia del resto del machine learning—.
Para entenderla, se la suele descomponer en tres ingredientes:
- Tendencia (trend): el rumbo de largo plazo. ¿Sube, baja o se mantiene? (p. ej., el consumo eléctrico crece cada año).
- Estacionalidad (seasonality): patrones que se repiten en un ciclo fijo. Más helados en verano, más tráfico web los lunes, un pico de demanda cada tarde.
- Ruido: la parte irregular que no se explica con las dos anteriores.
La regla de oro: nunca mires el futuro
Aquí está el error que arruina más proyectos de series de tiempo, y es sutil. En el machine learning normal, para armar los conjuntos de entrenamiento y prueba barajamos los datos al azar. En series de tiempo, barajar es hacer trampa: equivale a estudiar para una prueba usando respuestas del futuro.
Si entrenas con datos de marzo para "predecir" enero, tu modelo se verá espectacular en las pruebas y fracasará en producción, porque en la vida real el futuro todavía no existe. Esto se llama data leakage temporal. Las dos consecuencias prácticas:
- La división train/test es por fecha, no al azar: entrenas con el pasado (p. ej. hasta 2024) y evalúas con el futuro (2025). Siempre.
- La validación cruzada clásica tampoco sirve tal cual; se usa una versión que respeta el tiempo (rolling window), donde cada pliegue entrena con lo anterior y valida con lo que viene después.
Cómo se predice
Hay un abanico de enfoques, de lo simple a lo sofisticado:
- Líneas base tontas pero honestas: "mañana será igual que hoy" o "igual que el mismo día del año pasado". Parecen ingenuas, pero son sorprendentemente difíciles de superar —y son la vara contra la que debes comparar todo lo demás—.
- Métodos estadísticos clásicos (medias móviles, suavizamiento exponencial, ARIMA): modelan directamente tendencia y estacionalidad. Robustos y muy usados.
- Machine learning: se convierte el problema en uno tabular creando features a partir del pasado —el valor de hace 1, 7 y 30 días (lags), promedios móviles, el día de la semana— y encima se puede aplicar hasta un XGBoost.
- Deep learning: redes especializadas y Transformers para series largas o muchas señales en paralelo. Es la familia de técnicas detrás de proyectos como ALeRCE, que clasifica eventos astronómicos a partir de su evolución en el tiempo.
Cómo se evalúa
Se usan las mismas métricas de regresión —MAE, RMSE— pero medidas hacia adelante: cuánto se equivoca el modelo prediciendo días que ocurrieron después del corte de entrenamiento. Y siempre contra la línea base tonta: si tu red neuronal no le gana a "mañana igual que hoy", la red no está aportando nada. En series de tiempo, la humildad de comparar contra lo obvio es lo que separa un pronóstico útil de una ilusión.