Con la creciente popularidad de las arquitecturas nativas de la nube y las aplicaciones en contenedores, Kubernetes se ha convertido en una plataforma crítica para gestionar estas aplicaciones. Sin embargo, Kubernetes todavía enfrenta desafíos cuando se trata de la gestión de recursos. Específicamente, la plataforma no puede lograr una escalabilidad oportuna de los recursos de las aplicaciones cuando sus cargas de trabajo fluctúan, lo que lleva a una asignación insuficiente de recursos y posibles interrupciones del servicio. Para abordar este desafío, este estudio propone un Operador de Kubernetes de autoescalado predictivo basado en algoritmos de pronóstico de series temporales, con el objetivo de ajustar dinámicamente el número de instancias en ejecución en el clúster para optimizar la gestión de recursos. En este estudio, se emplean y gestionan dinámicamente el método de pronóstico Holt-Winter y la red neuronal de Unidad Recurrente con Compuertas (GRU), dos algoritmos robustos de pronóstico de series temporales. Para evaluar la efectividad, recopilamos métricas de carga de trabajo de una aplicación HTTP RESTful implementada, implementamos el autoescalado predictivo y evaluamos las diferencias en la calidad del servicio antes y después de la implementación. Los resultados experimentales demuestran que el componente de autoescalado predictivo puede predecir con precisión la tendencia futura de las métricas y escalar inteligentemente los recursos en función de los resultados de la predicción, con un Error Cuadrático Medio (MSE) de 0.00166. En comparación con la implementación utilizando un solo algoritmo, el tiempo de inicio en frío se reduce en 1 h y 41 min, y la fluctuación en la calidad del servicio se reduce en un 83.3%. Este proceso mejora efectivamente la calidad del servicio y ofrece una solución novedosa para la gestión de recursos en clústeres de Kubernetes.