Lazcano, AnaLazcano, AnaJaramillo-Morán, Miguel A.2025-12-222025-12-222025-04Lazcano, A & Jaramillo-Morán, M A 2025, 'Data preprocessing techniques and neural networks for trended time series forecasting', Applied Soft Computing, vol. 174, 113063. https://doi.org/10.1016/j.asoc.2025.1130631568-4946https://hdl.handle.net/10641/6884Publisher Copyright: © 2025 The AuthorsLa investigación sobre la predicción de series temporales continúa atrayendo una atención considerable, en particular en el uso de redes neuronales artificiales (ANN) debido a su capacidad para modelar comportamientos no lineales. Sin embargo, la predicción de series temporales económicas con tendencias ascendentes pronunciadas plantea dificultades, lo que a menudo produce predicciones con un ajuste deficiente. Este estudio aborda el problema aplicando la diferenciación como paso de preprocesamiento. Se analizaron y predijeron tres series temporales reales que presentan este comportamiento mediante dos modelos de redes neuronales —memoria a largo-corto plazo (LSTM) y perceptrón multicapa (MLP)— con y sin preprocesamiento. Las series diferenciadas se procesaron además mediante técnicas como la descomposición en modos empíricos (EMD) y la descomposición en tendencia y fluctuación mediante la media móvil de la transformada wavelet. Los resultados demuestran que la diferenciación mejora significativamente la precisión de la predicción en todos los modelos probados, reduciendo los errores hasta en un 30 % en comparación con los modelos sin preprocesamiento. Este enfoque mitiga eficazmente las distorsiones relacionadas con la tendencia, dando lugar a predicciones más fiables en series temporales económicas complejas. [Traducción automática al español; idioma original: inglés.]Research on time series forecasting continues to attract significant attention, particularly in the use of Artificial Neural Networks (ANN) due to their ability to model nonlinear behaviors. However, forecasting economic time series with steep upward trends presents challenges, often leading to poorly fitting predictions. This study addresses the issue by applying differentiation as a preprocessing step. Three real-world time series exhibiting this behavior were analyzed and forecasted using two neural network models—Long Short-Term Memory (LSTM) and Multilayer Perceptron (MLP)—with and without preprocessing. The differentiated series were further processed using techniques such as Empirical Mode Decomposition (EMD) and trend-fluctuation decomposition via Moving Average of Wavelet Transform. The results demonstrate that differentiation significantly enhances forecasting accuracy across all tested models, reducing errors by up to 30 % compared to models without preprocessing. This approach effectively mitigates trend-related distortions, leading to more reliable predictions in complex economic time series.10897201enghttp://creativecommons.org/licenses/by-nc-nd/4.0/DifferentiationForecastingLSTMMLPPreprocessingSoftwareYesyesjournal articleopen access10.1016/j.asoc.2025.113063https://www.scopus.com/pages/publications/105000894646https://www.scopus.com/pages/publications/105000894646#tab=citedBy