Los modelos tradicionales de aprendizaje automático de secuencias, como RNN y LSTM, pueden resolver problemas de datos secuenciales con el uso de estados de memoria interna. Sin embargo, las unidades de neuronas y los pesos se comparten en cada paso de tiempo para reducir los costos computacionales, limitando su capacidad para aprender relaciones variables en el tiempo entre las entradas y salidas del modelo. En este contexto, este artículo propone dos métodos para caracterizar las relaciones dinámicas en datos secuenciales del mundo real, a saber, el modelo de secuencia interna variable en el tiempo (modelo ITV) y el modelo de secuencia externa variable en el tiempo (modelo ETV). Nuestros métodos fueron diseñados con un módulo de expansión de base automatizado para adaptar parámetros internos o externos en cada paso de tiempo sin requerir una alta complejidad computacional. Experimentos extensos realizados en datos sintéticos y del mundo real demostraron resultados de predicción y clasificación superiores a los modelos de secuencias convencionales. Nuestro modelo ETV propuesto es particularmente efectivo para manejar datos de secuencias largas.