user@devops:~$ cat README.md
Time Series Forecasting
# Descripción
Proyecto completo de forecasting de series temporales comparando dos enfoques fundamentalmente distintos. Facebook Prophet: modelo estadístico aditivo con seasonality múltiple (diaria, semanal, anual) que alcanza 1.87% MAPE. LSTM (PyTorch): 2 capas LSTM (hidden size 32, sequence length 72h) + regressor MLP con Huber Loss, AdamW y ReduceLROnPlateau, alcanzando 15.96% MAPE. Incluye descomposición multiplicativa, prueba ADF de estacionariedad, Prophet con seasonality personalizada, deep learning con early stopping, y comparativa estructurada de 6 visualizaciones sobre dos datasets (Airline Passengers 144 obs y Synthetic Multi-Seasonality 17,520 obs).
# Características principales
$ Descomposición multiplicativa con tendencia, seasonality y residual
$ Prophet con seasonality diaria, semanal, anual y mensual personalizada
$ LSTM bidireccional con 2 capas ocultas y Huber Loss
$ Early stopping, ReduceLROnPlateau y AdamW optimizer
$ Prueba ADF de estacionariedad con diferenciación
$ 6 visualizaciones: EDA, descomposición, componentes, forecast, training, comparación
$ Comparativa estructurada Prophet vs LSTM con MAE, RMSE y MAPE
# Galería
# Tecnologías utilizadas
