Las ultimas dos decadas se han caracterizado por los avances que se han realizado en la prediccion de series temporales que exhiben caracteristicas no lineales. Las tecnicas 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 metodologias consistentes de prediccion usando tecnicas no lineales; algunas de ellas son: * Como deben pre-procesarse los datos? * Como deben seleccionarse las entradas? * Como se puede determinar la complejidad optima del modelo no parametrico? * Como pueden estimarse los parametros ante la presencia de problemas tales como el sobre-ajuste y la presencia de minimos locales? Mas aun, las respuestas a estas preguntas parecen ser obtenidas mas por aproximaciones heuristicas que por metodos formales. Este problema se hace mucho mayor al considerar que existe un numero importante de modelos provenientes del area 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 tecnica particular de prediccion. Otro punto fundamental, es la necesidad de realizar comparaciones consistentes entre casos de aplicacion usando diferentes metodologias, de tal forma, que puedan obtenerse conclusiones generales sobre el desempeno de los metodos utilizados basandose en evidencias claras y consistentes, y en experimentos objetivos y reproducibles. Los puntos resaltados aqui no son nuevos, y ya se han motivado diferentes competencias para examinar el desempeno de las tecnicas propias de la inteligencia computacional en la prediccion de series temporales; vease, por ejemplo, http://www.neural-forecasting-competition.com/. Esta investigacion pretende contribuir al esclarecimiento de estas cuestiones, y plantea como objetivos especificos: * Construir un benchmark de series agrupados de acuerdo con sus caracteristicas como presencia de patrones estacionales, tendencias, ciclos de largo plazo, influencia de variables exogenas, etc. * Seleccionar al menos (3) tecnicas de inteligencia computacional y desarrollar un esquema metodologico para su especificacion, que incluye aspectos como la seleccion de los regresores y la determinacion de la complejidad del modelo. * Desarrollar implementaciones de las tecnicas seleccionadas en el punto anterior. * Realizar corridas con el fin de comparar desempeno de las metodologias seleccionadas al pronosticar las series del benchmark construido en el primer objetivo.