Resumen:La previsión de series de tiempo entre dominios es una tarea valiosa en diversas aplicaciones web. A pesar de su rápido avance, lograr una generalización efectiva a través de datos de series temporales heterogéneas sigue siendo un desafío importante. Los métodos existentes han avanzado al ampliar los modelos de dominio único, pero a menudo se quedan cortos cuando enfrentan cambios de tendencias en dominios específicos y patrones periódicos inconsistentes. Argumentamos que una limitación clave radica en tratar las series temporales como una secuencia indiferenciada, sin desacoplar explícitamente sus componentes estructurales inherentes. Para abordar esto, proponemos OneCast, un marco de pronóstico estructurado y modular que descompone series de tiempo en componentes estacionales y de tendencia, cada uno modelado a través de rutas generativas personalizadas. Específicamente, el componente estacional es capturado por un módulo de proyección liviano que reconstruye patrones periódicos mediante funciones básicas interpretables. Paralelamente, el componente de tendencia se codifica en tokens discretos a nivel de segmento a través de un tokenizador con reconocimiento semántico y posteriormente se infiere a través de un mecanismo de difusión discreto enmascarado. Los resultados de ambas ramas se combinan para producir un pronóstico final que captura patrones estacionales y al mismo tiempo rastrea tendencias específicas de dominio. Amplios experimentos en ocho dominios demuestran que OneCast supera en gran medida las líneas base de última generación.
Publicado originalmente en export.arxiv.org el 28 de octubre de 2025.
Ver fuente original
