Las últimas dos décadas se han caracterizado por los avances que se han realizado en la predicción de series temporales que exhiben características no lineales. Las técnicas de inteligencia computacional, tales como los sistemas difusos de inferencia y las redes neuronales artificiales, han jugado un papel central en tales desarrollos. No obstante, existen preguntas fundamentales que deben ser resueltas de forma conjunta para llegar al desarrollo de metodologías consistentes de predicción usando técnicas no lineales; algunas de ellas son: * Cómo deben pre-procesarse los datos? * Cómo deben seleccionarse las entradas? * Cómo se puede determinar la complejidad óptima del modelo no paramétrico? * Cómo pueden estimarse los parámetros ante la presencia de problemas tales como el sobre-ajuste y la presencia de mínimos locales? Más aún, las respuestas a estas preguntas parecen ser obtenidas más por aproximaciones heurísticas que por métodos formales. Este problema se hace mucho mayor al considerar que existe un número importante de modelos provenientes del área de inteligencia computacional, y que las preguntas consideradas son dependientes del modelo particular en estudio. Este panorama claramente muestra la dificultad para seleccionar y aplicar una técnica particular de predicción. Otro punto fundamental, es la necesidad de realizar comparaciones consistentes entre casos de aplicación usando diferentes metodologías, de tal forma, que puedan obtenerse conclusiones generales sobre el desempeño de los métodos utilizados basándose en evidencias claras y consistentes, y en experimentos objetivos y reproducibles. Los puntos resaltados aquí no son nuevos, y ya se han motivado diferentes competencias para examinar el desempeño de las técnicas propias de la inteligencia computacional en la predicción de series temporales; véase, por ejemplo, http://www.neural-forecasting-competition.com/. Esta investigación pretende contribuir al esclarecimiento de estas cuestiones, y plantea como objetivos específicos: * Construir un benchmark de series agrupados de acuerdo con sus características como presencia de patrones estacionales, tendencias, ciclos de largo plazo, influencia de variables exogenas, etc. * Seleccionar al menos (3) técnicas de inteligencia computacional y desarrollar un esquema metodológico para su especificación, que incluye aspectos como la selección de los regresores y la determinación de la complejidad del modelo. * Desarrollar implementaciones de las técnicas seleccionadas en el punto anterior. * Realizar corridas con el fin de comparar desempeño de las metodologías seleccionadas al pronosticar las series del benchmark construido en el primer objetivo.