CAST: Transporte Causal de Símplex Anclado para Series Temporales con Valores de Distribución

En el ámbito del análisis de series temporales, uno de los desafíos más complejos surge cuando los datos no son valores escalares sino distribuciones de probabilidad que evolucionan en el tiempo. Ejemplos cotidianos incluyen la composición de modos de transporte en una ciudad, los porcentajes de fuentes de generación eléctrica o la mezcla de perfiles de salud pública. Estas observaciones viven en un simplex —un espacio geométrico donde los puntos suman uno— y cualquier modelo de predicción debe respetar esa estructura para ser coherente. Los enfoques tradicionales suelen tratar las distribuciones como vectores independientes, ignorando que la dinámica de transición entre estados sucesivos está intrínsecamente ligada a la geometría del simplex. Aquí es donde cobra relevancia un operador de forecasting diseñado específicamente para este contexto: el transporte causal anclado en el simplex, conocido como CAST. Este método define un operador local que, partiendo de la observación actual, recupera los sucesores empíricos relevantes dentro de un contexto causal, los estabiliza mediante un anclaje de persistencia y aplica un transporte estocástico acotado sobre soportes ordenados, todo ello preservando la pertenencia al simplex en cada paso. Un hallazgo teórico importante es la identificación de un modo de fallo estructural, el aliasing del núcleo de transición latente, que ocurre cuando distribuciones observadas similares evolucionan de forma distinta bajo regímenes contextuales diferentes. Esto demuestra que un predictor que dependa únicamente de un resumen aliado incurre en una cota inferior de riesgo irreducible en divergencia de Jensen-Shannon, mientras que la clase de hipótesis CAST contiene el sucesor bayesiano consciente del régimen. En la práctica, sobre once benchmarks públicos y simulados que abarcan desde ecología y energía hasta colas de espera G/G/1 y G_t/G/1, CAST obtiene el mejor rango promedio en métricas de un paso y de roll-out autorregresivo, superando a modelos estadísticos, composicionales, recurrentes, convolucionales y transformers. Para empresas que trabajan con este tipo de datos —por ejemplo, prediciendo la mezcla de productos en una cadena de suministro o la composición de carteras de inversión— contar con un enfoque matemáticamente fundamentado es crítico. En Q2BSTUDIO desarrollamos soluciones de ia para empresas que integran estos conceptos avanzados, permitiendo a nuestros clientes modelar series temporales de distribución con garantías formales. Además, ofrecemos aplicaciones a medida que implementan estos algoritmos en entornos productivos, combinando la potencia de inteligencia artificial con servicios cloud aws y azure para escalar las predicciones de forma segura. La correcta gestión de estos flujos también requiere ciberseguridad robusta y capacidad de visualización a través de power bi, servicios que ofrecemos como parte de nuestro ecosistema de software a medida. Incorporar agentes IA capaces de adaptarse dinámicamente a cambios en los patrones de transición es una de las líneas de servicios inteligencia de negocio que más valor aporta en sectores como logística, energía o salud pública. En definitiva, el transporte causal sobre el simplex representa un avance conceptual que, bien implementado mediante plataformas tecnológicas robustas, puede transformar la precisión de los pronósticos basados en composiciones.