Modelos generativos para la imputación de series temporales

Doctorando: Javier Solís García

Directoras/es: Isabel A. Nepomuceno Chamorro, Belén Vega Márquez

Tutoras/es: José C. Riquelme Santos

Resumen: Esta tesis presenta nuevas soluciones para afrontar el problema de datos ausentes (missing value) en series temporales multivariantes, un desafío clave en áreas como la medicina o la monitorización industrial. Tras demostrar, mediante un estudio sobre predicción temprana de sepsis con el dataset MIMIC-III, que la estrategia de imputación influye directamente en la calidad de los modelos clínicos, se introducen tres métodos generativos innovadores: G-TIGRE, TIMBA y CoSTI, este último basado en Consistency Models y capaz de imputar datos con alta precisión en un solo paso, reduciendo hasta un 98 % el coste computacional respecto a técnicas tradicionales. Las evaluaciones realizadas en múltiples conjuntos de datos confirman que CoSTI es una herramienta eficiente, robusta y escalable, con gran potencial para aplicaciones en tiempo real, consolidando así un avance significativo en el campo de la imputación de series temporales.