Como señala dsaxton , el "análisis de series de tiempo" no es un algoritmo ni un método de pronóstico. Es un campo de estudio . Además, gran parte del análisis de series de tiempo ni siquiera tiene que ver con el pronóstico, sino solo con la comprensión de la dinámica pasada de una serie de tiempo (p. Ej., Detección de puntos de cambio).
Las técnicas específicas de análisis de series temporales adecuadas para la predicción , como los modelos ARIMA o el suavizado exponencial, sin duda podrían denominarse "algoritmos de aprendizaje" y considerarse parte del aprendizaje automático (ML) al igual que para la regresión. Simplemente rara vez lo son.
Diría que esto refleja que el análisis de series de tiempo ya estaba bien establecido y desarrolló su propio lenguaje cuando apareció ML, por lo que pocos analistas de series de tiempo pensarán en lo que están haciendo como aprendizaje automático (tal como pocos estadísticos pensarán de regresión como ML: es la comunidad ML que clasifica los métodos establecidos bajo la nomenclatura ML).
Por el contrario, la comunidad de ML no ha estado haciendo mucho con las series de tiempo per se, y los algoritmos de ML "clásicos" como las redes neuronales realmente no han tenido demasiado éxito en el sentido de superar claramente los algoritmos de series de tiempo clásicos para el pronóstico. Si modela su dinámica de tiempo en un algoritmo de ML, ya está bastante cerca de un modelo ARIMA, pero si no lo hace, realmente se perderá mucha estructura que ayudaría en la predicción.