Forecasting de Temperaturas con Open-Meteo y ARIMA

Extracción de datos mediante API REST, transformación con Pandas y predicción de series temporales.
API
Python
Pandas
Time Series
Author

Gabriel Sánchez

Published

September 4, 2026

1. Introducción y Objetivos del Ejercicio

El análisis de series temporales (Time Series Forecasting) es fundamental para anticipar patrones climáticos, consumo energético y demanda operativa.

En este proyecto práctico implemento un flujo integral (end-to-end) para la predicción de temperaturas máximas:

  1. Extracción automatizada de datos: Consumo de la API REST pública de Open-Meteo para la zona costera de Puçol (Valencia) de los últimos 30 días.

  2. Ingesta y estructuración: Procesamiento del payload en JSON a DataFrames de pandas.

  3. Análisis Exploratorio (EDA): Detección de rangos térmicos y visualización de tendencias de viento.

  4. Forecasting comparativo (5 días vista):

    • Modelo heurístico/baseline mediante Medias Móviles (Moving Averages).

    • Modelado estadístico adaptativo mediante ARIMA/SARIMA utilizando búsqueda automática de hiperparámetros (pmdarima.auto_arima).

2. Preparación del Entorno

Instalamos y cargamos las librerías necesarias. Destaca el uso de requests para las peticiones HTTP y pmdarima para el ajuste algorítmico de parámetros \((p, d, q)\) de series temporales.

Code 
import pandas as pd
import pmdarima as pm
import matplotlib.pyplot as plt
import requests
import json
from datetime import datetime
import os

3. Extracción de Datos Vía API REST

Conectamos con la API meteorológica de Open-Meteo, parametrizando las coordenadas geográficas de la playa de Puçol (lat: 39.61, lon: -0.26), la zona horaria peninsular y un histórico de 30 días retrospectivos.

Code 
response = requests.get("https://api.open-meteo.com/v1/forecast?latitude=39.61&longitude=-0.26&daily=temperature_2m_max,temperature_2m_min,wind_speed_10m_max,precipitation_sum&timezone=Europe%2FMadrid&past_days=30")

if response.status_code == 200: 
    data_json = response.json()

#data_json
{'latitude': 39.625,
 'longitude': -0.3125,
 'generationtime_ms': 18.177509307861328,
 'utc_offset_seconds': 7200,
 'timezone': 'Europe/Madrid',
 'timezone_abbreviation': 'GMT+2',
 'elevation': 0.0,
 'daily_units': {'time': 'iso8601',
  'temperature_2m_max': '°C',
  'temperature_2m_min': '°C',
  'wind_speed_10m_max': 'km/h',
  'precipitation_sum': 'mm'},
 'daily': {'time': ['2026-08-04',
   '2026-08-05',
   '2026-08-06',
   '2026-08-07',
   '2026-08-08',
   '2026-08-09',
   '2026-08-10',
   '2026-08-11',
   '2026-08-12',
   '2026-08-13',
   '2026-08-14',
   '2026-08-15',
   '2026-08-16',
   '2026-08-17',
   '2026-08-18',
   '2026-08-19',
   '2026-08-20',
   '2026-08-21',
   '2026-08-22',
   '2026-08-23',
   '2026-08-24',
   '2026-08-25',
   '2026-08-26',
   '2026-08-27',
   '2026-08-28',
   '2026-08-29',
   '2026-08-30',
   '2026-08-31',
   '2026-09-01',
   '2026-09-02',
   '2026-09-03',
   '2026-09-04',
   '2026-09-05',
   '2026-09-06',
   '2026-09-07',
   '2026-09-08',
   '2026-09-09'],
  'temperature_2m_max': [31.7,
   31.9,
   31.4,
   32.2,
   32.6,
   32.8,
   32.8,
   33.0,
   32.9,
   33.6,
   32.7,
   33.1,
   32.3,
   32.7,
   32.6,
   41.9,
   36.3,
   30.0,
   28.8,
   29.9,
   31.1,
   34.8,
   30.3,
   35.0,
   30.3,
   30.2,
   29.9,
   29.3,
   28.8,
   29.4,
   30.4,
   30.7,
   31.9,
   31.6,
   29.0,
   30.3,
   30.2],
  'temperature_2m_min': [23.1,
   23.8,
   24.8,
   24.1,
   24.0,
   26.1,
   24.6,
   23.7,
   24.5,
   24.5,
   24.3,
   24.6,
   23.5,
   23.6,
   23.6,
   24.1,
   25.0,
   22.8,
   23.9,
   24.4,
   24.4,
   23.4,
   24.5,
   23.9,
   22.4,
   19.9,
   19.2,
   20.1,
   23.7,
   21.8,
   23.0,
   23.2,
   22.9,
   22.5,
   20.5,
   21.2,
   22.2],
  'wind_speed_10m_max': [18.3,
   18.5,
   17.4,
   16.9,
   17.7,
   18.2,
   22.0,
   18.3,
   16.7,
   17.1,
   14.7,
   17.2,
   16.4,
   15.9,
   16.7,
   23.7,
   17.9,
   21.8,
   19.1,
   18.2,
   25.3,
   28.3,
   18.4,
   22.4,
   26.9,
   14.1,
   15.7,
   22.1,
   14.1,
   15.0,
   15.3,
   15.9,
   10.3,
   11.0,
   15.8,
   17.5,
   18.1],
  'precipitation_sum': [0.0,
   0.0,
   0.0,
   0.0,
   0.0,
   0.0,
   0.0,
   0.0,
   0.0,
   0.0,
   0.0,
   0.0,
   0.0,
   0.0,
   0.0,
   0.0,
   1.2,
   0.0,
   0.0,
   0.0,
   0.0,
   0.0,
   0.0,
   0.0,
   0.0,
   0.0,
   0.0,
   0.0,
   0.0,
   0.0,
   0.0,
   0.0,
   0.0,
   0.0,
   0.0,
   0.0,
   0.0]}}

4. Transformación de JSON a Pandas DataFrame

El endpoint devuelve las métricas en un diccionario anidado bajo la clave daily. Lo aplanamos en un DataFrame tabular estructurado para su posterior análisis.

Code 
datos_diarios = data_json['daily']

df = pd.DataFrame(datos_diarios)
df.head()
time temperature_2m_max temperature_2m_min wind_speed_10m_max precipitation_sum
0 2026-08-04 31.7 23.1 18.3 0.0
1 2026-08-05 31.9 23.8 18.5 0.0
2 2026-08-06 31.4 24.8 17.4 0.0
3 2026-08-07 32.2 24.1 16.9 0.0
4 2026-08-08 32.6 24.0 17.7 0.0

5. Análisis Exploratorio y Métricas Clave

Calculamos las medias del periodo para obtener una referencia base del comportamiento climático y trazamos la evolución de las rachas de viento.

Code 
##Seleccionamos las 4 variables y sacamos la media
df.rename(columns = {'temperature_2m_max':'temp_2m_max', 'temperature_2m_min':'temp_2m_min', 'wind_speed_10m_max':'wind_10m_max', 'precipitation_sum':'precip_sum'}, inplace=True)

medias = df[['temp_2m_max', 'temp_2m_min', 'wind_10m_max', 'precip_sum']].mean().round(2)

print("------------------------------")
print()
print(f"Temperatura Maxima 2m: {medias['temp_2m_max']}")
print()
print(f"Temperatura Minima 2m: {medias['temp_2m_min']}")
print()
print(f"Velocidad Maxima del Viento 10m: {medias['wind_10m_max']}")
print()
print(f"Suma de Precipitaciones: {medias['precip_sum']}")
print("------------------------------")

##Usamos el PLOT propio de Pandas para sacar una gráfica de la velocidad del tiempo
df.plot(
    x = "time", 
    y = "wind_10m_max", 
    kind = "line", 
    title = "Velocidad del viento en la playa de Puçol (Km/H)", 
    color = "teal", 
    figsize = (10, 5)
)

------------------------------

Temperatura Maxima 2m: 31.85

Temperatura Minima 2m: 23.29

Velocidad Maxima del Viento 10m: 18.08

Suma de Precipitaciones: 0.03
------------------------------

Observación del EDA: El registro muestra una temperatura máxima promedio de ~31.8°C y eventos puntuales de viento de hasta 28 km/h[cite: 1]. Existe una anomalía térmica visible en torno al día 19 de agosto con picos superiores a 40°C[cite: 1], un factor que pondrá a prueba la robustez de los modelos predictivos.

6. Modelado Predictivo: Medias Móviles (Baseline)

Implementamos un pronóstico autorregresivo simple mediante una media móvil con ventana deslizante (\(k=3\)) para proyectar los siguientes 5 periodos[cite: 1]. En cada iteración, la predicción calculada se reinyecta en el histórico para estimar el siguiente paso[cite: 1].

Code 
#Medias Moviles con Pandas con ventana de 3 días y predicción de 5 
n_periods = 5
k = 3

#Hacemos una copia de los datos reales en forma de lista
historial_para_ma = df['temp_2m_max'].tolist()
predicciones_ma = []

#Bucle iterativo para el forecast
for i in range(n_periods):
    #Seleccionamos los últimos k valores
    ventana = historial_para_ma[-k:]
    #Calculamos la media de esa ventana
    siguiente_pred = sum(ventana) / k
    #Lo guardamos en predicciones_ma
    predicciones_ma.append(siguiente_pred)
    #Y se añade al historial para usarlo en la siguiente vuelta
    historial_para_ma.append(siguiente_pred)

7. Modelado Estadístico Avanzado: Auto-ARIMA

A diferencia de las medias móviles simples, el enfoque ARIMA (AutoRegressive Integrated Moving Average) modela la autocorrelación de la serie, estacionariza los datos y captura componentes estacionales (\(m=7\) días)[cite: 1].

Utilizamos el algoritmo stepwise de pmdarima para minimizar el criterio de información de Akaike (AIC), convergiendo hacia la mejor combinación de parámetros \((p,d,q)(P,D,Q)_m\)[cite: 1].

Code 
#Forecasting con ARIMA

#Ajuste automatico del modelo como el auto.arima() de R
modelo_sarima = pm.auto_arima(
    df['temp_2m_max'], 
    seasonal=True, 
    m=7, 
    stepwise=True, 
    trace=True
)

#Guardamos las predicciones en una predicción de 5 días
predicciones = modelo_sarima.predict(n_periods=5)
Performing stepwise search to minimize aic
 ARIMA(2,0,2)(1,0,1)[7] intercept   : AIC=179.576, Time=0.30 sec
 ARIMA(0,0,0)(0,0,0)[7] intercept   : AIC=174.687, Time=0.01 sec
 ARIMA(1,0,0)(1,0,0)[7] intercept   : AIC=171.988, Time=0.15 sec
 ARIMA(0,0,1)(0,0,1)[7] intercept   : AIC=173.015, Time=0.03 sec
 ARIMA(0,0,0)(0,0,0)[7]             : AIC=363.330, Time=0.00 sec
 ARIMA(1,0,0)(0,0,0)[7] intercept   : AIC=170.002, Time=0.01 sec
 ARIMA(1,0,0)(0,0,1)[7] intercept   : AIC=171.988, Time=0.05 sec
 ARIMA(1,0,0)(1,0,1)[7] intercept   : AIC=173.926, Time=0.18 sec
 ARIMA(2,0,0)(0,0,0)[7] intercept   : AIC=171.950, Time=0.02 sec
 ARIMA(1,0,1)(0,0,0)[7] intercept   : AIC=171.966, Time=0.02 sec
 ARIMA(0,0,1)(0,0,0)[7] intercept   : AIC=171.023, Time=0.01 sec
 ARIMA(2,0,1)(0,0,0)[7] intercept   : AIC=173.985, Time=0.09 sec
 ARIMA(1,0,0)(0,0,0)[7]             : AIC=inf, Time=0.01 sec

Best model:  ARIMA(1,0,0)(0,0,0)[7] intercept
Total fit time: 0.932 seconds

8. Evaluación y Comparativa de Predicciones

Comparamos la proyección de ambos métodos a 5 días vista respecto al histórico real de temperaturas máximas registradas[cite: 1].

Code 
# Gráfico con las nuevas predicciones

#Cremos un índice numérico que continúe justo cuando acaba el DF
ultimo_indice = df.index[-1]
indice_futuro = range(ultimo_indice + 1, ultimo_indice + 1 + n_periods)

#Convertimos la lista de predicciones en una Serie de Pandas con ese índice
serie_forecast_ma = pd.Series(predicciones_ma, index=indice_futuro)




#Se prepara primero la figura
plt.figure(figsize=(12, 6))

#Se añaden las capas. Primero los datos reales
plt.plot(df.index, df['temp_2m_max'], label = 'Real', color="teal")
#Ahora Medias Moviles
plt.plot(serie_forecast_ma.index, serie_forecast_ma, label = "Media Movil", color='orange', linestyle='--')
#Ahora Predicciones Sarima
plt.plot(predicciones.index, predicciones, label="Forecast SARIMA", color="green")

plt.title('Comparativa: Datos Reales vs Medias Móviles vs Prediccion SARIMA')
plt.legend()
plt.show()

Conclusiones y Aprendizajes

  • Suavizado de medias móviles: El enfoque MA reacciona con lentitud a las tendencias recientes y tiende a estabilizarse rápido en un valor plano al propagar sus propias predicciones[cite: 1].

  • Comportamiento de ARIMA: El modelo autorregresivo identificado incorpora mejor la inercia reciente de la serie sin verse distorsionado de forma permanente por picos térmicos aislados[cite: 1].

  • Siguientes pasos: Incorporar variables exógenas mediante modelos SARIMAX (p. ej. radiación solar o viento cruzado) o explorar redes recurrentes (LSTM) para horizontes de predicción más extensos.