📊 statistics

Intermittent time series forecasting: local vs global models

Este estudio presenta la primera comparación exhaustiva de modelos probabilísticos locales y globales de vanguardia para el pronóstico de series temporales intermitentes, demostrando que la arquitectura de red neuronal simple TiDE supera tanto a los complejos modelos globales como a los enfoques locales tradicionales en precisión y eficiencia computacional, mientras que la cabeza de distribución de Tweedie produce las mejores estimaciones para cuantiles altos.

Autores originales: Stefano Damato, Nicolò Rubattu, Dario Azzimonti, Giorgio Corani

Publicado 2026-06-11

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Stefano Damato, Nicolò Rubattu, Dario Azzimonti, Giorgio Corani

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que diriges un almacén. La mayoría de los días vendes un flujo constante de artículos. Pero para algunos productos —como una pieza de repuesto específica para un coche clásico o un adorno navideño poco común— podrías vender cero unidades durante semanas y, de repente, vender diez en un solo día. Estos se llaman series temporales intermitentes. Están llenas de ceros y picos impredecibles.

Para que tu almacén siga funcionando, necesitas adivinar cuánto stock mantener. Si te equivocas, o bien pierdes dinero manteniendo demasiado inventario, o bien pierdes ventas por falta de existencias. Para hacer esto de forma segura, no necesitas solo un número de estimación (como "venderemos 5"); necesitas una predicción de probabilidad (como "hay un 90% de probabilidad de que vendamos entre 0 y 10, pero una pequeña probabilidad de que vendamos 50").

Este artículo es una enorme "prueba de sabor" para determinar la mejor manera de hacer estas estimaciones. Los investigadores compararon dos corrientes de pensamiento principales: Modelos Locales y Modelos Globales.

Las Dos Corrientes de Pensamiento

1. Modelos Locales: El enfoque del "Especialista"
Imagina contratar a un experto diferente para cada producto de tu almacén.

Cómo funciona: Entrenas un modelo específico para el "Widget A", otro para el "Widget B", y así sucesivamente. Cada modelo solo observa el historial de ese único artículo.
Los hallazgos del artículo: Estos especialistas son buenos, pero son lentos de contratar (computacionalmente costosos) y a veces no ven el panorama general. Los mejores "especialastas" en este estudio fueron un modelo bayesiano llamado TweedieGP y un método llamado iETS. Sin embargo, TweedieGP tarda mucho en entrenarse, como un estudiante de doctorado escribiendo una tesis para cada artículo.

2. Modelos Globales: El enfoque del "Generalista"
Imagina contratar a una IA superinteligente que observa todos los productos de tu almacén a la vez.

Cómo funciona: Alimentas a la IA con datos de 40,000 artículos diferentes. Ella aprende patrones que se aplican de forma generalizada (por ejemplo, "cuando la demanda es cero, suele permanecer en cero durante un tiempo") y luego aplica ese conocimiento a cada artículo.
Los hallazgos del artículo: Este enfoque es generalmente más rápido y preciso. Los investigadores probaron muchos tipos diferentes de "Generalistas", desde redes neuronales simples hasta arquitecturas de IA masivas y complejas (como los Transformers).

La Carrera: ¿Quién Ganó?

Los investigadores enfrentaron a estos modelos entre sí utilizando datos del mundo real (ventas de Walmart, piezas de coches, piezas de repuesto de aviación, etc.). Esto es lo que descubrieron:

Los "Pesados" Perdieron
En el mundo de la IA, existe la creza de que "más grande es mejor". Los investigadores probaron modelos masivos y complejos (como Autoformer y PatchTST) que son famosos por manejar datos suaves y predecibles.

El resultado: Para estos productos intermitentes y "con picos", los modelos pesados fueron lentos e inestables. Tardaron mucho en entrenarse y a menudo dieron peores respuestas que los modelos más simples. Es como usar una supercomputadora para resolver un Sudoku; es excesivo y no ayuda necesariamente.
Árboles de Gradiente Potenciado (LightGBM): Estos son populares en las competiciones de ciencia de datos. Aunque son excelentes para predecir un número único, el artículo encontró que tienen dificultades cuando se les pide predecir todo el rango de posibilidades (probabilidades) para datos intermitentes.

Los "Ligeros" Ganaron
El ganador fue una arquitectura de red neuronal simple y ligera llamada TiDE (Codificador Denso de Series Temporales).

Por qué ganó: Fue rápida, estable y sorprendentemente precisa. Superó consistentemente a los especialistas locales y a los modelos de IA pesados. Es como un coche deportivo ágil que llega al destino más rápido y de forma más fiable que un tanque pesado.
Segundo lugar: Otro modelo simple llamado DLinear también funcionó muy bien, especialmente cuando se combinaba con un tipo específico de matemáticas.

La "Receta Secreta": El "Cabezal de Distribución"

Una vez que tienes un modelo (el motor), necesitas decidir qué tipo de "mapa" utiliza para predecir el futuro. Dado que estos productos tienen muchos ceros y picos repentinos, un mapa estándar no funciona. Los investigadores probaron tres "mapas" (cabezales de distribución):

Binomial Negativa: Un mapa estándar para datos de conteo.
Hurdle-Shifted Negative Binomial (HSNB): Un mapa que gestiona específicamente la división entre "cero vs. no cero".
Tweedie: Un mapa flexible que puede manejar tanto los ceros como las colas largas y pesadas de los grandes picos.

El veredicto:

Para los niveles de seguridad más altos (predecir los picos masivos y raros), el mapa Tweedie fue el claro ganador. Proporcionó las advertencias más precisas para esos escenarios de "¿qué pasa si vendemos 50 en lugar de 5?".
Para niveles inferiores, los mapas fueron mayormente similares, pero Tweedie siguió manteniéndose firme.

La Conclusión Final para Profesionales

Si eres un gestor de la cadena de suministro que intenta gestionar el inventario de artículos que se venden esporádicamente:

No lo compliques demasiado: No necesitas los modelos de IA más caros y masivos. Son lentos y no rinden mejor para este trabajo específico.
Ve por lo Global: Entrena un solo modelo con todos tus datos en lugar de construir un modelo separado para cada artículo. Es más rápido y, a menudo, más preciso.
Usa la Herramienta Adecuada: El artículo recomienda usar el modelo TiDE (una red neuronal ligera) junto con la distribución Tweedie.
- Esta combinación es como tener un coche deportivo rápido y fiable con un GPS que está específicamente ajustado para manejar atascos repentinos y desvíos.
- Supera a los modelos locales "especialistas" en velocidad y precisión, especialmente cuando necesitas planificar para los peores escenarios (cuantiles altos).

En resumen: Para predecir lo impredecible, un enfoque global simple utilizando las matemáticas adecuadas (Tweedie) vence a las soluciones de IA complejas, locales o excesivamente pesadas.

Resumen Técnico: Pronóstico de Series Temporales Intermitentes: Modelos Locales vs. Globales

Definición del Problema

El artículo aborda el desafío de pronosticar series temporales intermitentes, definidas como series de valores no negativos, típicamente de conteo, que contienen ceros. Tales series son prevalentes en la gestión de la cadena de suministro, donde los pronósticos probabilísticos precisos son esenciales para establecer niveles de stock de seguridad. Estos pronósticos deben satisfacer propiedades distributivas específicas: soporte sobre valores no negativos, una masa de probabilidad en cero y una cola superior larga para capturar picos de demanda.

Si bien existen modelos probabilísticos para series intermitentes, estos son predominantemente modelos locales, entrenados individualmente para cada serie temporal. Por el contrario, los modelos globales, que se entrenan en grandes colecciones de series temporales para aprender una única función de pronóstico, han ganado popularidad para series temporales suaves mediante el uso de aprendizaje profundo y árboles de gradiente impulsado (gradient-boosted trees). Sin embargo, existe una falta de evidencia empírica que compare los modelos locales y globales probabilísticos de vanguardia específicamente para datos intermitentes, particularmente en lo que respecta a la eficiencia computacional y la idoneidad de diferentes cabezales de distribución.

Metodología

Modelos Evaluados

El estudio compara un conjunto exhaustivo de modelos locales y globales a través de cinco conjuntos de datos del mundo real (M5, UCI, Auto, Carparts, RAF) que comprenden más de 40,000 series temporales.

Modelos Locales:

In-sample Quantiles (ISQ): Un baseline que utiliza distribuciones empíricas de los datos de entrenamiento.
iETS: Una extensión intermitente del modelo ETS utilizando la descomposición de Croston, que produce una distribución bimodal (masa en cero + Gamma para valores positivos).
GAS-NB: Un modelo de puntuación autorregresiva generalizada (Generalised Autoregressive Score) utilizando una distribución Binomial Negativa con tiempo variable.
TweedieGP: Un modelo de Proceso Gaussiano Bayesiano que utiliza una verosimilitud de Tweedie.
Markov Walk (MW): Un modelo que combina un proceso ARMA con una cadena de Markov para la ocurrencia, asumiendo una distribución de pronóstico Gaussiana.

Modelos Globales:
El estudio evalúa diversas arquitecturas de redes neuronales y Árboles de Gradiente Impulsado (GBT), todos adaptados para producir parámetros de distribución:

Arquitecturas Poco Profundas (Shallow): Redes Neuronales Feed-forward (FNN), DLinear y TiDE (Time-series Dense Encoder).
Arquitecturas Grandes/Profundas (Deep): DeepAR (basado en LSTM), PatchTST y Autoformer (basados en Transformer).
Basados en Árboles: LightGBM adaptado para el pronóstico distributivo.

Cabezales de Distribución

Un componente crítico de la metodología es la adaptación de los modelos globales a los datos intermitentes mediante cabezales de distribución específicos. Los autores evalúan tres cabezales:

Binomial Negativa (NegBin): Ampliamente utilizada para la demanda intermitente; unimodal con sobredispersión.
Hurdle-Shifted Negative Binomial (HSNB): Una distribución bimodal que separa la probabilidad de cero de la distribución de demanda positiva.
Tweedie: Una distribución continua con una masa en cero y una cola larga, adecuada para datos intermitentes de valores reales.
Nota: Los autores afirman que esta es la primera aplicación de HSNB y Tweedie como cabezales de distribución para modelos de redes neuronales globales.

Configuración Experimental

Conjuntos de Datos: Cinco conjuntos de datos con diversas frecuencias (diaria/mensual), longitudes y niveles de intermitencia (medidos por el Intervalo de Demanda Promedio y el Coeficiente de Variación al Cuadrado).
Evaluación: La precisión probabilística se mide utilizando la Pérdida de Cuantil (escalada por cuantiles in-sample) para cuantiles $q \in \{0.5, 0.8, 0.9, 0.95, 0.99\}$ y RMSSE (Error Cuadrático Medio Escalado de la Raíz) para pronósticos puntuales.
Costo Computacional: Los tiempos de entrenamiento y predicción se registran en una sola CPU (Macbook Pro M3).
Robustez: Los modelos se ejecutan 10 veces con diferentes semillas aleatorias para evaluar la variabilidad.

Resultados Clave

1. Desempeño Global vs. Local

Precisión: Los modelos globales ligeros, particularmente TiDE y DLinear, superan consistentemente a los modelos locales en cuantiles más altos (0.8 a 0.99), los cuales son críticos para la planificación del stock de seguridad.
Pronósticos Puntuales: Los modelos locales (específicamente iETS y TweedieGP) a veces superan a los modelos globales en RMSSE, particularmente en conjuntos de datos dispersos como RAF y UCI.
Estabilidad: Los modelos globales poco profundos (TiDE, DLinear) exhiben una alta estabilidad entre las inicializaciones aleatorias. En contraste, los modelos de aprendizaje profundo grandes (Autoformer, PatchTST) y los GBT muestran mayor variabilidad e inestabilidad.

2. Eficiencia Computacional

Tiempo de Entrenamiento: Los modelos globales grandes (Autoformer, DeepAR) y los GBT (LightGBM) incurren en costos computacionales significativamente más altos que los modelos poco profundos.
Tiempo de Predicción: Los modelos globales poco profundos (TiDE, DLinear) son computacionalmente eficientes, superando a menudo a los modelos locales en tiempo de ejecución total cuando se considera la sobrecarga de entrenar modelos locales individuales.
Compromiso (Trade-off): El estudio encuentra que no hay un compromiso de precisión-computación que favorezca a los modelos grandes; los modelos grandes son más costosos y, en general, menos precisos o estables que las alternativas ligeras.

3. Comparación de Arquitecturas

TiDE emerge como la arquitectura global superior, ofreciendo el mejor equilibrio entre precisión y velocidad. Supera a los modelos basados en Transformers (PatchTST, Autoformer) y RNNs (DeepAR).
Los Transformers (Autoformer, PatchTST) y LightGBM se consideran "no valen su costo", ofreciendo menor precisión y una mayor sobrecarga computacional en comparación con las redes poco profundas.

4. Análisis de Cabezales de Distribución

Tweedie: Proporciona las mejores estimaciones para los cuantiles más altos (0.95, 0.99), probablemente debido a sus propiedades de cola flexibles. Es particularmente efectivo cuando se combina con TiDE.
HSNB vs. NegBin: En cuantiles bajos, no hay una diferencia de desempeño importante entre HSNB, Tweedie y la Binomial Negativa. HSNB muestra mejoras en conjuntos de datos específicos (por ejemplo, Auto) pero no es universalmente superior.
Datos de Valores Reales: La distribución de Tweedie es señalada como el único cabezal adecuado para series intermitentes de valores reales (por ejemplo, valor de ventas), ya que HSNB y NegBin son de valores de conteo.

Significación y Reivindicaciones

El artículo afirma ser el primer estudio que compara sistemáticamente modelos locales y globales de vanguardia específicamente para series temporales intermitentes. Sus principales contribuciones incluyen:

Validación Empírica de Modelos Globales: Demuestra que los modelos globales, cuando se implementan con arquitecturas ligeras, pueden superar a los modelos locales tradicionales en datos intermitentes, desafiando la suposición de que el entrenamiento local es necesario para series dispersas.
Guía de Arquitectura: Identifica a TiDE como la arquitectura preferida, mostrando que las redes simples y poco profundas superan a los complejos Transformers y RNNs tanto en precisión como en eficiencia para este dominio.
Innovación en Cabezales de Distribución: Introduce y valida el uso de cabezales de distribución HSNB y Tweedie dentro de marcos de redes neuronales globales, demostando que Tweedie es particularmente efectivo para el pronóstico de cuantiles altos.
Guía Práctica: Los autores proporcionan una guía para profesionales, recomendando modelos globales ligeros (TiDE con cabezal de Tweedie) para necesidades de pronóstico de cuantiles altos, mientras reconocen que los cuantiles in-sample simples siguen siendo una alternativa robusta y de bajo costo para escenarios específicos (por ejemplo, RMSSE en datos muy dispersos).

El estudio concluye que, si bien las grandes arquitecturas de aprendizaje profundo y los GBT han tenido éxito en competencias de pronóstico puntual, no son competitivos en el entorno probabilístico para series intermitentes, donde los modelos ligeros ofrecen una precisión y estabilidad superiores con menores requisitos computacionales.