Por Benjamin Bustos, Depto. Ciencias de la Computación, FCFM, Universidad de Chile.

Una serie temporal es una secuencia de valores, provenientes de alguna fuente, medidos a lo largo del tiempo. Por ejemplo, si durante un mes anotamos el precio del dólar al final de cada jornada, se obtiene una serie temporal consistente de treinta valores. Otros ejemplos típicos de series temporales son: la temperatura de una zona medida cada cierto intervalo de tiempo, la presión arterial medida cada hora, indicadores financieros en general medidos a través del tiempo, datos provenientes de distinto tipo de sensores, etc. Cualquier dato que pueda obtenerse en intervalos regulares de tiempo puede ser representado como una serie temporal.

Los datos recopilados en una serie temporal pueden analizarse y obtener información de estos. Podemos estar interesados en encontrar los valores extremos de la serie (por ejemplo, temperatura mínima y máxima durante un día), en encontrar valores atípicos de la serie (por ejemplo, ascensos o caídas súbitas en la medición), en reconocer patrones que podrían indicar algo importante (por ejemplo, irregularidades en un electrocardiograma que indiquen la presencia de una arritmia), etc. Para realizar estos análisis sobre los datos de una serie temporal, puede ser necesario realizar antes un preprocesamiento de los datos en caso de que haya datos faltantes para algunos intervalos de tiempo (siempre que se puedan rellenar o extrapolar los datos faltantes), haya mediciones incorrectas o que se salen del rango normal del valor medido, o sea necesario normalizar de alguna forma los datos antes de analizarlos. Idealmente, los datos deben ser comparables en toda la extensión temporal de la serie (principio de homogeneidad).

Existen muchas aplicaciones para datos representados con series temporales: análisis de datos financieros, biométricos, científicos, análisis sobre trayectorias de objetos (en este caso hay tres valores asociados a cada instante de tiempo, las coordenadas (x,y,z) del objeto en movimiento, entonces se habla de una serie temporal multivariante), etc. Un ejemplo concreto de aplicación: el año pasado se publicó un artículo científico ^[1] en donde, utilizando análisis de series temporales multivariantes obtenidas a través de un dispositivo XBOX Kinect, era posible identificar distintos gestos o movimientos realizados por una persona mientras bailaba con una precisión muy alta (sobre el 96%).

La investigación en análisis de series temporales es muy amplia y aún hay muchos desafíos por abordar. Se han estudiado diversas técnicas para analizar series temporales de un solo valor, pero se requiere del desarrollo de más algoritmos para el análisis de series multivariantes. Ya de partida es compleja la visualización de este tipo de series temporales, de forma que un experto analista pueda realizar conclusiones a partir de observaciones directas de los datos de la serie. Otro problema es cómo describir una serie temporal para realizar los análisis correspondientes en forma eficiente y sin perder mucha información, de forma que los resultados obtenidos sean de buena calidad. Por último, algo muy interesante sería poder desarrollar técnicas que no sólo determinen si hay patrones interesantes en una serie temporal dada, sino que además pudiera de alguna forma predecir la ocurrencia de estos patrones mediante el análisis de los valores anteriores en la serie. Esto permitiría, por ejemplo, implementar sistemas automáticos de vigilancia, o sistemas que alertarán sobre accidentes inminentes en ambientes de trabajo peligrosos.