Este artículo se basa en investigaciones recientes sobre la reformulación de los problemas de regresión en la predicción de series temporales como problemas de clasificación, discretizando un espacio objetivo continuo para realizar predicciones para un conjunto fijo de clases. Para abordar el problema de la pérdida de información de distancia relativa entre valores objetivo, un problema común en la codificación one-hot convencional, proponemos la Codificación Binaria Acumulativa (CBE), que preserva la información de orden y magnitud. Para utilizar CBE eficazmente, proponemos BinConv, una arquitectura de red neuronal completamente convolucional para la predicción probabilística. Demostramos que las capas convolucionales, al combinarse con CBE, son computacionalmente más eficientes y mejoran el rendimiento de la predicción en comparación con las capas completamente conectadas. Los resultados experimentales en conjuntos de datos de referencia estándar demuestran que BinConv supera a los métodos existentes tanto en predicción puntual como probabilística, a la vez que proporciona menos parámetros y una mayor velocidad de aprendizaje.
