Este estudio investiga la efectividad de los modelos de redes neuronales, particularmente las redes LSTM, en la mejora de la precisión de las previsiones de inflación. Comparamos los modelos LSTM con modelos tradicionales de series temporales univariantes como SARIMA y modelos AR(p), así como enfoques de aprendizaje automático como la regresión LASSO. Para mejorar el modelo LSTM estándar, aplicamos técnicas avanzadas de selección de características e introducimos la augmentación de datos utilizando el método MBB. Nuestro análisis revela que los modelos híbridos LASSO-LSTM generalmente superan a los modelos LSTM que utilizan PCA para la selección de características, particularmente en conjuntos de datos con múltiples características, según lo medido por RMSE. Sin embargo, a pesar de estas mejoras, los modelos LSTM tienden a tener un rendimiento inferior en comparación con modelos más simples como la regresión LASSO, AR(p) y SARIMA en el contexto de la previsión de inflación. Estos hallazgos sugieren que, para los responsables de políticas y banqueros centrales que buscan previsiones de inflación fiables, los modelos tradicionales como la regresión LASSO, AR(p) y SARIMA pueden ofrecer soluciones más prácticas y precisas.