Time Series Forecasting Using Generative AI

Monografía técnica escrita por Banglore Vijay Kumar Vishwas y Sri Ram Macharla que aborda la convergencia entre el modelado de series temporales y los paradigmas modernos de inteligencia artificial generativa. Publicado por Apress, el libro se enfoca en la transición desde los métodos tradicionales hacia modelos fundacionales contemporáneos de series temporales (como Time-LLM, Chronos, TimeGPT, MOIRAI y TimesFM), dirigiéndose a científicos de datos, analistas cuantitativos e ingenieros de machine learning con nivel intermedio que conocen Python y los fundamentos estadísticos de series temporales y buscan actualizar sus flujos de trabajo con las tecnologías más recientes.

El libro detalla la evolución arquitectónica completa del pronóstico temporal: comienza revisando redes neuronales profundas (MLP, WaveNet, TCN, BiTCN, RNN, LSTM, DeepAR y NBEATS) y avanza hacia arquitecturas Transformer adaptadas a secuencias (como Vanilla Transformers, iTransformer, DLinear, NLinear y PatchTST). A continuación, profundiza en el uso práctico y la formulación técnica de los modelos fundacionales líderes: la reprogramación de LLMs con Time-LLM, el modelo probabilístico Chronos de Amazon, el servicio TimeGPT de Nixtla, el modelo fundacional universal MOIRAI de Salesforce y la arquitectura sólo decodificadora con parches TimesFM de Google, utilizando entornos de Python y librerías de PyTorch y Hugging Face.

A través de cuadernos de Jupyter orientados a la práctica (disponibles en el repositorio oficial de Apress), el lector experimenta con predicción zero-shot, ajuste fino de hiperparámetros y benchmarking entre modelos neuronales y fundacionales sobre datos univariados y multivariados. La principal aportación del volumen es consolidar en un solo recurso la literatura de vanguardia aparecida entre 2023 y 2025 en pronóstico generativo; como contrapartida, no cubre modelos econométricos tradicionales (ARIMA o GARCH) ni detalles de despliegue web en microservicios. Conviene dominar el procesamiento de datos con Pandas y tensores en PyTorch para seguir los ejemplos sin tropiezos.