Una limitación importante en la investigación pesquera que utiliza series temporales es la presencia de datos faltantes. Un manejo inadecuado de estos datos puede afectar negativamente los resultados de los análisis estadísticos, conllevando una toma de decisiones errónea. Una posible solución a este problema es la estimación de valores faltantes mediante métodos de imputación, pero ninguno de ellos puede aplicarse universalmente a todas las series temporales. De hecho, su eficacia depende en gran medida de la estructura de los datos y de la distribución de los valores faltantes. Recientemente, se propuso una solución a este problema que emplea el algoritmo de sub-secuencias conocidas (KSSA), una técnica de aprendizaje automático diseñada para comparar el rendimiento de diferentes métodos de imputación y validarlos dentro de la serie temporal que contiene datos faltantes. Sin embargo, debido a su desarrollo reciente, no hay evidencia publicada sobre su eficiencia y fiabilidad. Esta investigación tuvo por objetivo evaluar la eficiencia del KSSA en datos de pesca de atún para el Océano Pacífico mediante la imputación de datos faltantes simulados para siete series temporales con estructuras distintas. Los resultados demostraron que el algoritmo es robusto para validar con precisión una amplia combinación de propiedades como la longitud, la estacionalidad, la tendencia, la estructura de autocorrelación y el porcentaje de datos faltantes. Además, los hiperparámetros del algoritmo pueden ajustarse fácilmente para lograr resultados óptimos en cada serie temporal.