en el que se propone un enfoque innovador para la selección de modelos en tareas de predicción de series temporales.
El artículo titulado “Tree-based vs. Deep Learning in Time Series: A Prescriptive Framework for Performance-Driven Model Selection”,
firmado por Pablo Reina-Jiménez, María Martínez-Ballesteros y José C. Riquelme Santos, aborda uno de los problemas más recurrentes
en el ámbito del forecasting: la falta de criterios sistemáticos para elegir entre distintas familias de modelos.
📖 El artículo ya está disponible online:
👉
https://doi.org/10.1016/j.asoc.2026.114983
Un benchmark a gran escala en más de 50.000 series temporales
El trabajo presenta un extenso estudio comparativo sobre más de 50.000 series temporales reales,
en el que se analizan y comparan modelos basados en árboles y modelos de deep learning
bajo un marco de evaluación unificado.
El análisis tiene en cuenta múltiples dimensiones clave:
- Precisión predictiva
- Eficiencia computacional
- Consumo energético y emisiones de CO₂
Además, los resultados están respaldados por una validación estadística rigurosa,
que permite evaluar tanto diferencias significativas como equivalencias prácticas entre modelos.
Hacia una selección de modelos más interpretable y sostenible
A partir de los resultados obtenidos, los autores proponen un marco prescriptivo e interpretable
que relaciona las características de las series temporales con el modelo más adecuado en cada caso.
Uno de los hallazgos más relevantes del estudio es que un mayor nivel de complejidad en los modelos
no implica necesariamente mejoras significativas en el rendimiento, especialmente cuando se consideran
factores como la eficiencia y la sostenibilidad.
Este trabajo contribuye al desarrollo de una inteligencia artificial más eficiente, transparente y sostenible,
alineada con los principios de Green AI.
Líneas de investigación reforzadas
Esta publicación consolida la actividad del grupo en áreas clave como:
- Predicción de series temporales
- Selección de modelos en machine learning
- Deep Learning vs. modelos basados en árboles
- Inteligencia artificial sostenible (Green AI)
- Modelos interpretables