Presentamos un enfoque de aprendizaje automático para aplicar la agregación temporal (múltiple) en entornos de pronóstico de series temporales. El método utiliza un modelo de clasificación que puede usarse para seleccionar el nivel de agregación temporal más apropiado para producir pronósticos o para derivar pesos para combinar adecuadamente los pronósticos generados en varios niveles. El clasificador consiste en un meta-aprendiz que correlaciona características clave de series temporales con la precisión del pronóstico, lo que permite una selección o combinación dinámica y basada en datos. Nuestros experimentos, realizados en dos grandes conjuntos de datos de series de movimiento lento y rápido, indican que el meta-aprendiz propuesto puede superar en rendimiento a los enfoques de pronóstico estándar.