user@devops:~$ cat README.md
Time Series Forecasting
# Descripción
Proyecto completo de forecasting de series temporales con dos enfoques complementarios: Facebook Prophet (modelo estadistico aditivo con seasonality multiple) y LSTM (red neuronal recurrente con memoria a largo plazo en PyTorch). Incluye descomposicion estacional (trend/seasonality/residual), prueba de Dickey-Fuller para estacionariedad, prediccion a 30 dias con intervalos de confianza del 95%, y comparativa cuantitativa de metricas (MAE, RMSE, MAPE). Los resultados muestran que Prophet obtiene MAPE de 1.87% en datos con seasonality clara, mientras que LSTM alcanza 15.96% en un subconjunto pequeno de entrenamiento.
# Características principales
$ Descomposicion clasica de series temporales (trend, seasonal, residual)
$ Prueba de estacionariedad Augmented Dickey-Fuller (ADF)
$ Facebook Prophet con seasonality multiple (diaria/semanal/anual/mensual)
$ LSTM en PyTorch con 2 capas, Huber Loss y early stopping
$ Intervalos de confianza del 95% con Prophet
$ Comparativa cuantitativa de 3 metricas (MAE, RMSE, MAPE)
$ Visualizaciones: EDA, descomposicion, componentes, forecast, curvas de entrenamiento
# Galería
# Tecnologías utilizadas
