A practical decision-support system for robust post-training model selection in spatiotemporal forecasting
Knowledge-Based Systems, article 116673, 2026
← Programa de investigación
01
Área de investigación
IA espacio-temporal fiable
Métodos de evaluación y selección para sistemas de predicción que deben seguir siendo fiables ante datos ausentes, fallos de sensores, desalineación espacial y cambios en el despliegue.
Planteamiento
El problema de investigación.
Un modelo predictivo solo es útil cuando la decisión de desplegarlo sigue siendo defendible fuera de un único benchmark limpio. Esta área estudia la decisión posterior al entrenamiento: cómo puede fallar la referencia de evaluación, cuándo ese fallo altera el ranking de modelos y qué regla de selección se justifica bajo un presupuesto explícito de rendimiento.
Preguntas de investigación
Preguntas que orientan esta área.
- 01
¿Se mantiene el modelo elegido cuando la referencia de evaluación está incompleta, desplazada o degradada?
- 02
¿Es la inestabilidad observada mayor que la variabilidad ordinaria entre semillas de entrenamiento?
- 03
¿Cuándo justifica la robustez un coste medible en rendimiento limpio?
Métodos, sistemas y fuentes
Elementos concretos de investigación.
- Stress testing
- Selection regret
- Decision rules
- Audit trails
- Robust evaluation
- Distribution shift
- Model selection
Evidencia