La predicción de series temporales en sistemas complejos, como redes de tráfico o cuencas hidrológicas, enfrenta el desafío de integrar estructuras de grafo conocidas con modelos de aprendizaje continuo. Investigaciones recientes proponen INDEQS (Informed Neural controlled Differential EquationS), una arquitectura que extiende las Ecuaciones Diferenciales Controladas Neurales (NCDE) al incorporar conocimiento previo de un grafo dirigido en puntos estratégicos del modelo. A diferencia de enfoques que aprenden la estructura espacial exclusivamente de datos, INDEQS separa la mezcla interna de estados ocultos entre nodos de la mezcla externa entre el campo vectorial y la señal de control, ofreciendo variantes que van desde un acoplamiento ligero con restricciones de grafo hasta versiones más expresivas que aprenden conexiones adicionales mediante convoluciones adaptativas. Este equilibrio entre conocimiento a priori y flexibilidad resulta especialmente valioso en dominios donde la topología de la red es establecida por expertos (por ejemplo, sistemas de drenaje o autopistas).

Para validar su eficacia, los autores diseñan un simulador de advección continua sobre grafos dirigidos que genera datos sintéticos con flujo conocido, y luego prueban INDEQS en tareas reales: predicción de caudal en redes hidrológicas y flujo de tráfico en PeMS08. Los resultados muestran que informar el modelo desde el exterior (mezcla vectorial) reduce consistentemente el error medio absoluto frente a una NCDE no informada, sobre todo en grafos grandes, mientras que la versión con información interna ofrece una alternativa eficiente en parámetros cuando se desea respetar estrictamente la adyacencia conocida. Además, se compara el decodificador convolucional discreto con uno continuo, demostrando que este último proporciona mayor precisión y flexibilidad temporal. Este tipo de innovaciones en inteligencia artificial aplicada a datos espacio-temporales abre la puerta a soluciones más robustas para infraestructuras críticas.

En Q2BSTUDIO, entendemos que la integración de conocimiento de dominio en modelos de inteligencia artificial es clave para ofrecer aplicaciones a medida que resuelvan problemas reales de predicción y control. Nuestro equipo desarrolla software a medida que combina técnicas de deep learning con arquitecturas específicas del sector, ya sea para optimizar redes de transporte, gestionar recursos hídricos o mejorar la ciberseguridad en entornos IoT. Además, desplegamos estas soluciones en entornos servicios cloud aws y azure garantizando escalabilidad, y ofrecemos servicios inteligencia de negocio con power bi para visualizar predicciones en tiempo real. Si tu empresa necesita implementar modelos avanzados como INDEQS o construir agentes IA que automaticen la toma de decisiones basadas en series temporales, te invitamos a conocer nuestro enfoque en ia para empresas. Combinamos investigación de vanguardia con experiencia práctica para transformar datos complejos en ventajas competitivas.