Una RNN lee la ventana paso a paso y lleva lo leído en un estado, ht = tanh(W xt + U ht−1 + b). Una LSTM agrega una memoria con tres compuertas, de olvido, de entrada y de salida, que deciden qué se conserva de un paso al siguiente. Tres controles: la red, pasos, cuántos meses tiene la ventana, y oculta, cuántas neuronas tiene el estado. El objetivo es la diferencia con hace 12 meses.
Los pronósticos salen de nn.RNN y nn.LSTM de PyTorch con una capa, entrenadas con los meses hasta diciembre de 2024: Adam con tasa 0,001, pérdida MSE, las 24 últimas ventanas para validar, parada temprana con paciencia 30 y semilla 2026. Se calcularon fuera de la página con el mismo código del notebook de la sesión. La validación mínima es el MSE en la escala de la red; el MAE se calcula aquí.