Práctica universitariaDeep Learning — Mini proyectoProyecto en grupo

Series de tiempo con LSTM: energía y acciones

Pronóstico de consumo eléctrico y precios bursátiles, comparados con líneas base honestas

Problema

Probar LSTM y GRU en series de tiempo reales y medir si superan a modelos simples.

Datos

PJME hourly (Kaggle, robikscube/hourly-energy-consumption); histórico de la acción de Mastercard (CSV); American Airlines (AAL) semanal desde Alpha Vantage (~1,088 semanas desde 2005).

Fuente de datos →

Métodos

Partición temporal 80/20 y escalado ajustado solo con train
Ventanas de 24 horas → siguiente hora
LSTM apiladas con Dropout y EarlyStopping
LSTM vs GRU
Líneas base: persistencia, media móvil y EMA; acierto direccional y análisis de desfase

Resultados

Consumo eléctrico (PJME), 1 hora adelante: MAE 554.08 MW, RMSE 710.87 MW, MAPE 1.91 %, R² 0.9880.
Mastercard: LSTM con RMSE de USD 8.69 frente a USD 12.54 de la GRU (≈31 % menos error).
AAL: la LSTM apenas iguala a la persistencia y el acierto direccional ronda el 50 %; se documenta como resultado correcto y honestamente medido.

Galería

Herramientas

PythonTensorFlow / Kerasscikit-learnpandasAlpha Vantage APIDatabricks

Trabajo universitario; no se afirma autoría individual exclusiva.