Modelos Fundamentales para la Predicción de Series Temporales: Un Benchmark del Mundo Real
Los métodos tradicionales de predicción de series temporales, como ARIMA y Prophet, están siendo desafiados por una nueva generación de "modelos fundamentales". Estos modelos buscan aprovechar el poder de los grandes modelos de lenguaje (LLMs) para los datos de series temporales, permitiendo que un solo modelo realice predicciones en diversos conjuntos de datos y dominios. Este artículo compara varios modelos fundamentales — Amazon Chronos, Google TimesFM, IBM Tiny Time-Mixers y Datadog Toto — con modelos clásicos. Las pruebas con métricas de pods Kubernetes del mundo real revelan que los modelos fundamentales sobresalen en la predicción multivariada, con Datadog Toto mostrando un rendimiento particularmente bueno. Sin embargo, aún existen desafíos en el manejo de valores atípicos y patrones novedosos, y los modelos clásicos mantienen la competitividad para cargas de trabajo estables. En última instancia, los autores concluyen que los modelos fundamentales ofrecen ventajas significativas para flujos de datos multivariados que cambian rápidamente, proporcionando soluciones más flexibles y escalables para los equipos modernos de observabilidad e ingeniería de plataformas.
Leer más