La previsión de series temporales es crucial en la operación eficiente y los procesos de toma de decisiones de diversos sistemas industriales. Predecir con precisión las tendencias futuras es esencial para optimizar recursos, la programación de la producción y el rendimiento general del sistema. Esta revisión integral examina los modelos de previsión de series temporales y sus aplicaciones en diversas industrias. Discutimos los principios fundamentales, las fortalezas y las debilidades de los métodos estadísticos tradicionales, como el Promedio Móvil Integrado Autorregresivo (ARIMA) y el Suavizado Exponencial (ES), que se utilizan ampliamente debido a su simplicidad e interpretabilidad. Sin embargo, estos modelos a menudo tienen dificultades con los datos complejos, no lineales y de alta dimensión que se encuentran comúnmente en los sistemas industriales. Para abordar estos desafíos, exploramos técnicas de Aprendizaje Automático, incluyendo Máquinas de Vectores de Soporte (SVM) y Redes Neuronales Artificiales (ANN). Estos modelos ofrecen más flexibilidad y adaptabilidad, superando a menudo a los métodos estadísticos tradicionales. Además, investigamos el potencial de los modelos híbridos, que combinan las fortalezas de diferentes métodos para lograr un mejor rendimiento en las predicciones. Estos modelos híbridos resultan en pronósticos más precisos y robustos. Finalmente, discutimos el potencial de los modelos generativos recién desarrollados, como las Redes Generativas Antagónicas (GAN), para la previsión de series temporales. Esta revisión enfatiza la importancia de seleccionar cuidadosamente el modelo apropiado según los requisitos específicos de la industria, las características de los datos y los objetivos de previsión.