🔮 Predicción de ventas con Temporal Convolutional Networks (TCN)#
Hoy estuve revisando un proyecto muy interesante sobre predicción de series temporales usando PyTorch y una arquitectura menos conocida pero muy potente: las Temporal Convolutional Networks (TCN).
💡 ¿Por qué es interesante?
Porque las TCN permiten procesar grandes ventanas de tiempo en paralelo, evitando las limitaciones clásicas de modelos recurrentes como LSTM o GRU. Esto las hace ideales para problemas como ventas, demanda, energía o cualquier señal temporal compleja.
🚀 Ideas clave del enfoque#
- 📦 Dataset real: ventas por tienda y categoría (Kaggle).
- 🧱 Arquitectura TCN: convoluciones 1D + dilatación para ampliar el “campo de visión” temporal.
- ⚙️ Ventana de entrada: 120 días → Predicción: 16 días.
- 🧹 Preprocesado: pivotar datos, escalar, crear secuencias.
- 🧠 Entrenamiento en PyTorch: modelo compacto, eficiente y fácil de paralelizar.
- 📤 Resultado final: predicciones listas para enviar a Kaggle.
🧩 Explicación en pocas palabras#
Imagina que quieres predecir ventas mirando el pasado.
Una TCN funciona como una lupa que se mueve por la serie temporal, pero con un truco:
🔍 la lupa puede “saltar” en el tiempo gracias a la dilatación, permitiendo ver patrones lejanos sin necesidad de redes recurrentes.
En vez de recordar paso a paso (como un LSTM), la TCN analiza muchos puntos del pasado al mismo tiempo, lo que la hace más rápida y estable.
Más información en el link 👇
