Pronostica la demanda de mañana
Unos 24 minutos de lectura, con 3 ejemplos en 7 secciones.
Traducido con IA. Verificado por personas en inglés. Cómo hacemos los libros
Traducido del libro en inglés, edición 2026.11.11. Lee el original
Este capítulo construye el primer pronóstico de la demanda de mañana, y la base simple que todo pronóstico posterior tiene que superar. Cargarás la demanda horaria de un cliente, pronosticarás su día siguiente con una base estacional ingenua y con un modelo estadístico, y evaluarás ambos sobre los mismos 7 días. El resultado es deliberadamente tosco: sin rangos, sin ajuste de parámetros y con un solo cliente para juzgarlo. Cada capítulo posterior hace sólida una parte de él. Necesitas Python, pandas, la media de una muestra y qué es un error, y nada más; los términos centrales se definen en una línea en cuanto aparecen por primera vez.
La electricidad de mañana hay que comprarla hoy, antes de que empiece el día, una hora a la vez. Quien la compra necesita un pronóstico de cuánto van a consumir sus clientes en cada una de esas horas, y cada hora que el pronóstico falla es una hora en la que la compra se planifica con el número equivocado. Por eso, antes de confiar en cualquier método, hay que responder dos preguntas. ¿Un pronóstico hecho solo con lecturas registradas antes de la compra se acerca a lo que los clientes realmente consumieron? Y ¿es mejor que el pronóstico más simple que alguien podría hacer, uno que copia el día de ayer?
El caso y sus datos
Este libro sigue un único caso a lo largo de todo el texto: una comercializadora de electricidad que compra energía con un día de antelación para sus clientes, a la que llamamos la comercializadora.
La comercializadora compromete sus compras antes de que empiece el día, y necesita un rango además de un número único, porque comprar de menos cuesta más que comprar de más. Este libro construye el pronóstico del que parte esa compra. Aquí, un pronóstico es la demanda esperada de un cliente en cada hora, elaborada a partir de lecturas registradas antes de que se hiciera el pronóstico.
Tres términos definen qué es un pronóstico. El momento en que se hace un pronóstico es su punto de corte. Un pronóstico usa solo las lecturas anteriores a su punto de corte, y se extiende hacia adelante un número fijo de horas, su horizonte. Una ventana es un punto de corte con su horizonte y el pronóstico que produce. Aquí el horizonte es de 24 horas, así que cada ventana cubre un día: las 24 horas que empiezan en su punto de corte.
La sincronización importa tanto como el método. Cada ventana de este libro tiene su punto de corte a las 00:00 del día que predice, de modo que la última lectura que puede usar es la de las 23:00 del día anterior. La comercializadora compra antes de que empiece el día, así que un punto de corte a medianoche es una simplificación. El libro la mantiene para que cada ventana necesite solo el día anterior. Una comercializadora que comprara antes cortaría antes y pronosticaría más lejos. Un pronóstico que lea una hora más allá de su punto de corte usaría información que la comercializadora no tiene cuando compra, y su puntuación resultaría engañosamente buena.
Los datos son públicos. Son el conjunto ElectricityLoadDiagrams20112014 del UCI Machine Learning Repository, de Trindade (2015), con el DOI 10.24432/C58C86. Tienen licencia CC BY 4.0. El libro incluye un recorte de ellos, electricity_hourly.csv.gz, con la licencia junto a él en la misma carpeta. La ficha de datos indica la fuente, el recorte y sus limitaciones.
El archivo original contiene 370 clientes, con una lectura cada 15 minutos. El recorte promedia las cuatro lecturas de cada hora, lo que da la energía utilizada en esa hora en kWh, y conserva dos años completos, 2013 y 2014. Un cliente, MT_223, no tiene ninguna lectura distinta de cero en esa ventana, así que el recorte lo descarta. Los 369 clientes restantes se ordenan por id, y se conservan 30 en posiciones igualmente espaciadas. Quien recorte el archivo original debe descartar MT_223 y tomar las mismas 30 posiciones igualmente espaciadas, o los recuentos de este libro no coincidirán.
Los clientes tienen ids anónimos como MT_014. El conjunto de datos no dice qué son, así que el libro los llama clientes. No los describe como empresas ni como hogares.
Dos grupos de clientes aparecen a lo largo del libro. Los treinta clientes son todos los clientes del recorte. Los 8 clientes de SUBSET8 son cada cuarto cliente de los treinta, empezando por el segundo. Los capítulos posteriores usan ese subconjunto cuando una ejecución completa tardaría demasiado, e incluye un cliente que empieza tarde. El cliente principal, MT_014, es el primer cliente de SUBSET8. Este capítulo y sus ejemplos de un solo cliente lo usan.
El periodo de prueba es la última semana de 2014, del 25 al 31 de diciembre de 2014. Los pronósticos de este capítulo se evalúan en ese periodo, y se le llama la semana de prueba. Cada pronóstico usa solo lecturas anteriores a su punto de corte, así que ningún pronóstico aprende del día que predice. La semana no es tranquila. El 25 de diciembre de 2014 es Navidad, un día festivo nacional en Portugal, país cuyo horario marca los datos. Este capítulo evalúa la semana tal como es, y las puntuaciones muestran lo que provoca el festivo. El capítulo 5 prueba un indicador de festivo en las ventanas festivas y no lo conserva, así que el libro no corrige aquí el festivo. El capítulo 10 muestra su coste.
Un pronóstico dice cuál es probablemente la demanda. No dice por qué. Los datos registran cuánta energía usó cada cliente. No pueden decir cuál habría sido la demanda con un precio o un contrato distinto. Eso es una pregunta causal, y requiere un diseño diferente.
Regla práctica: Comprueba el recorte con la ficha de datos antes de hacer cualquier pronóstico. El archivo debe contener 30 clientes, y el ejemplo cuenta cuántos de ellos tienen dos años completos de filas horarias. Esos recuentos deben coincidir con la ficha. Confirma que MT_223 falta y que está explicado. Un recorte que no coincide con la ficha son otros datos, y cada cifra calculada a partir de él describe esos datos, no estos.
Cargar la demanda horaria de un cliente
Una serie temporal es una secuencia de lecturas en orden cronológico. En el archivo del libro, cada fila corresponde a un cliente en una hora, y las horas de cada cliente están en orden temporal. Para cargar un cliente, conserva las filas de ese cliente. La función auxiliar load en examples/lib/electricity.py hace eso y devuelve cuatro columnas. unique_id identifica al cliente. ds es la hora. y es la energía consumida en esa hora, en kWh. quirk indica si la fila requiere un tratamiento especial.
La columna ds es el inicio de la hora, en hora local y sin zona horaria. La tarjeta de datos proporciona esta etiqueta, y los ejemplos del libro tratan el índice como un único índice horario ingenuo. La etiqueta quirk de cada fila es una de cuatro:
normales una hora ordinaria.before_first_readinges una hora anterior a la primera lectura distinta de cero de un cliente. Solo los clientes que empiezan tarde tienen estas filas.clock_change_gapes la 01:00 de un día de cambio de hora en marzo. La nota del conjunto de datos indica que registra cero para todos los clientes. La tarjeta de datos lo mide: de 57 de estas horas con vecinos distintos de cero, 55 registran menos del 5% de los valores vecinos.clock_change_repeates la 01:00 de un día de cambio de hora en octubre. Contiene unas dos horas de energía bajo una sola etiqueta.
El libro conserva cada valor tal como lo registró el contador. Nada se rellena, suaviza, elimina ni reescala. Por tanto, un cero en una hora de hueco y una hora de octubre duplicada siguen en el archivo, marcadas pero no corregidas. El capítulo 3 decide qué significa cada fila marcada para un modelo. Este capítulo solo necesita saber que las etiquetas existen y comprobar que ninguna cae dentro de las ventanas que evalúa.
El cliente principal tiene lecturas en todas las horas de la ventana, así que ninguna de sus filas es before_first_reading. En los dos años tiene 17516 filas ordinarias. Tiene 2 filas de hueco y 2 filas repetidas, una de cada en cada año.
1"""Loads the lead client's hourly demand, counts its quirk labels, and checks the eight-week history before each2held-out cutoff. The point rests on the last printed line: no history holds a clock-change row."""3from lib.backtest import held_out_cutoffs, history_before4from lib.electricity import load5from lib.settings import LEAD, show678def fmt(ts):9 return ts.strftime("%Y-%m-%d %H:%M")101112FULL_ROWS = 2 * 365 * 24 # two years of hours; 2013 and 2014 are not leap years1314everyone = load()15show("clients in the file", everyone["unique_id"].nunique())16show(f"clients with {FULL_ROWS} rows", int((everyone.groupby("unique_id").size() == FULL_ROWS).sum()))1718df = load([LEAD])19show("rows", len(df))20show("first reading", fmt(df["ds"].min()))21show("last reading", fmt(df["ds"].max()))22for quirk in ["normal", "before_first_reading", "clock_change_gap", "clock_change_repeat"]:23 show(f"{quirk} rows", int((df["quirk"] == quirk).sum()))2425# history_before keeps the HISTORY_HOURS hours (eight weeks) before each cutoff, and raises if a count is off.26windows = [history_before(df, cutoff) for cutoff in held_out_cutoffs()]27show("history rows per window", min(len(w) for w in windows))28show("longest history rows", max(len(w) for w in windows))29show("first history reading", fmt(windows[0]["ds"].min()))30# Counts only the two clock-change labels.31show("clock-change rows in held-out histories",32 sum(int(w["quirk"].isin(["clock_change_gap", "clock_change_repeat"]).sum()) for w in windows))
python load-lead-client.pyclients in the file: 30
clients with 17520 rows: 30
rows: 17520
first reading: 2013-01-01 00:00
last reading: 2014-12-31 23:00
normal rows: 17516
before_first_reading rows: 0
clock_change_gap rows: 2
clock_change_repeat rows: 2
history rows per window: 1344
longest history rows: 1344
first history reading: 2014-10-30 00:00
clock-change rows in held-out histories: 0
El archivo contiene 30 clientes. El cliente principal tiene 17520 filas, desde 2013-01-01 00:00 hasta 2014-12-31 23:00.
Dos años de horas son 17520 filas por cliente, y 30 de 30 clientes tienen exactamente esa cantidad, así que para esos clientes no falta ninguna hora en el archivo. Una ventana con menos horas de las que su historial debería contener tiene un hueco, y el hueco sería lo primero que hay que explicar. Comprueba el número de clientes y de filas frente a la tarjeta.
Un pronóstico necesita historial. El historial del libro es de 8 semanas, es decir, 1344 horas, y cada punto de corte de la semana de prueba recibe exactamente esa cantidad antes de él. El historial más corto tiene 1344 filas, y el más largo tiene 1344.
Para el primer punto de corte de la semana de prueba, el historial comienza en 2014-10-30 00:00. Eso es posterior al cambio de hora del 26 de octubre de 2014, que la tarjeta de datos documenta. Por tanto, ninguno de los 7 historiales contiene una hora de cambio de hora, y el ejemplo cuenta 0 filas de cambio de hora en los siete.
El resto de este capítulo puede dejar de lado las filas de cambio de hora por esa razón. El capítulo 3 las trata, y el capítulo 4 trata al cliente que empieza tarde.
Regla práctica: Elige primero el cliente y la ventana, y luego cuenta las anomalías en el historial de esa ventana antes de que cualquier modelo lo vea. Si un historial contiene una etiqueta de cambio de hora o una fila before_first_reading, no se la pases a un modelo sin cambios, porque el modelo leerá el valor de la etiqueta como demanda. El capítulo 3 y el capítulo 4 dan las reglas para esas filas. Una ventana que no contenga ninguna de ellas puede usar sus filas tal como están, como hace este capítulo.
Pronostica el día siguiente con seasonal naive
El primer pronóstico es el más simple de hacer, y todos los pronósticos posteriores tienen que superarlo. Usa el corte y el horizonte del caso de el caso y sus datos, y el historial que describe cargar un cliente.
Seasonal naive establece que cada valor futuro es igual al último valor observado de la misma temporada. Hyndman y Athanasopoulos lo definen para una temporada de cualquier longitud m: el pronóstico de un valor futuro es el valor observado una temporada antes (Hyndman y Athanasopoulos, Forecasting: Principles and Practice, cap. 5). Con datos horarios y un ciclo diario, la temporada es de 24 horas, de modo que el pronóstico para una hora de mañana es la lectura de esa misma hora hoy. En la notación de este libro, el pronóstico para la hora t es y(t - 24).
Nada en esta regla se ajusta. El pronóstico es una copia de los datos, así que no necesita un paso de estimación. Nunca lee más allá de su corte, sea cual sea ese corte. Para cada hora desde el corte hasta 23 horas después, t - 24 cae entre 24 horas antes del corte y la hora anterior a él, así que la copia usa solo historial.
La semana de prueba tiene 7 ventanas, una para cada día del 25 al 31 de diciembre de 2014, cada una emitida a las 00:00. La pregunta del proveedor es la demanda de mañana para MT_014. Para el 25 de diciembre, el pronóstico copia las lecturas del 24 de diciembre hora a hora, y la misma regla da a cada otro día de la semana su pronóstico a partir del día anterior.
Tomemos como caso resuelto la ventana de las 00:00 del 25 de diciembre. Su pronóstico para las 00:00 del 25 de diciembre es la lectura de las 00:00 del 24 de diciembre, y su pronóstico para las 23:00 del 25 de diciembre es la lectura de las 23:00 del 24 de diciembre. De las 1344 horas de su historial, este método usa solo las últimas 24, porque _seasonal_naive de statsforecast repite la última temporada de valores (statsforecast 2.1.1, statsforecast/utils.py). El ejemplo, de todos modos, los pasa todos, porque la misma llamada sirve a los modelos que sí usan más historial, y una sola llamada con una sola longitud de historial es una forma que aprender, no dos.
¿Por qué un día y no una semana? Una temporada de 168 horas copiaría la misma hora del mismo día de la semana de la semana anterior, que es otra línea base válida para una serie con ritmo semanal. Este capítulo usa la temporada diaria porque la pregunta es el día siguiente, y porque el pronóstico del día siguiente es el que necesita el caso.
1"""Forecasts the lead client's next day with seasonal naive for each day of the held-out week, then scores it.2The point rests on the MAE and RMSE lines, which score a copy of yesterday, and on the missing forecasts line."""3import pandas as pd4from statsforecast import StatsForecast5from statsforecast.models import SeasonalNaive67from lib.backtest import forecast_windows, held_out_cutoffs, scoring_counts, score_windows, window_mae8from lib.electricity import load9from lib.settings import HORIZON, LEAD, show101112def day_mean(day):13 return df[df["ds"].dt.normalize() == pd.Timestamp(day)]["y"].mean()141516# statsforecast reads a frame with three columns: the series id, the time and the value.17df = load([LEAD])[["unique_id", "ds", "y"]]18# season_length 24 is the daily cycle of hourly data; freq "h" is pandas' code for hourly steps; one job runs in one process.19sf = StatsForecast(models=[SeasonalNaive(season_length=24)], freq="h", n_jobs=1)20forecasts = forecast_windows(sf, df, held_out_cutoffs())21scores = score_windows(df, forecasts, "SeasonalNaive")22counts = scoring_counts(df, forecasts, "SeasonalNaive")2324show("horizon hours", HORIZON)25show("windows", counts["windows"])26show("scored hours", counts["scored_hours"])27show("missing forecasts", counts["missing_forecasts"])28# The readings at the forecast hours, which are the hours the scores cover.29show("mean demand", df[df["ds"].isin(forecasts["ds"])]["y"].mean())30show("mean demand 2014-12-24", day_mean("2014-12-24"))31show("mean demand 2014-12-25", day_mean("2014-12-25"))32show("MAE", scores["mae"])33show("RMSE", scores["rmse"])34for day, mae_day in window_mae(df, forecasts, "SeasonalNaive").items():35 show(f"MAE {day:%Y-%m-%d}", mae_day)3637# The check is run on a history with one hour removed, to show it refuses a short history.38cutoff = held_out_cutoffs()[0]39gap = df[df["ds"] != cutoff - pd.Timedelta(hours=1)] # drops the hour just before the first cutoff40try:41 forecast_windows(sf, gap, [cutoff]) # history_before raises ValueError unless every client has exactly HISTORY_HOURS rows before the cutoff.42 refused = "no"43except ValueError:44 refused = "yes"45show("history with one hour removed refused", refused)
python seasonal-naive-next-day.pyhorizon hours: 24
windows: 7
scored hours: 168
missing forecasts: 0
mean demand: 46.62
mean demand 2014-12-24: 47.58
mean demand 2014-12-25: 38.40
MAE: 8.36
RMSE: 10.87
MAE 2014-12-25: 9.41
MAE 2014-12-26: 12.16
MAE 2014-12-27: 5.10
MAE 2014-12-28: 11.16
MAE 2014-12-29: 8.68
MAE 2014-12-30: 5.26
MAE 2014-12-31: 6.75
history with one hour removed refused: yes
Cada pronóstico se evalúa frente a las lecturas que le siguieron, y cada una de las 168 horas evaluadas tiene un pronóstico. Esas horas promedian 46.62 kWh, el nivel frente al cual debe leerse cada error de este capítulo.
Seasonal naive es una línea base, y cuando un ciclo diario domina la serie puede ser una muy sólida. Su debilidad es que copia un solo día. Un día inusual se convierte en el pronóstico del siguiente, y el método no tiene forma de promediarlo.
Regla práctica: Mantén seasonal naive en cada comparación para una serie horaria con ciclo diario. No necesita ajuste, así que se ejecuta en cada ventana sin costo adicional. Un modelo que no pueda superarlo en las mismas ventanas no se ha ganado el trabajo extra que exige. Revisa los pronósticos en busca de valores faltantes antes de leer su puntuación, porque una lectura faltante en la última temporada se convierte en un pronóstico faltante. El capítulo 3 da la regla para completar esas horas antes de que se ejecute cualquier modelo.
Pronostica el día siguiente con un modelo
La línea base de arriba responde qué resultado da un pronóstico sin ningún modelo. La pregunta aquí es si un modelo ajustado lo hace mejor en las mismas 7 ventanas, y el modelo es AutoETS. statsforecast 2.1.1 describe AutoETS como la selección de la mejor forma ETS (error, tendencia y estacionalidad) con un criterio de información (statsforecast/models.py, clase AutoETS). El criterio que usa AutoETS es AICc, el criterio de información de Akaike corregido para muestras pequeñas. Se fija en ets_f, en statsforecast/ets.py, y AutoETS no ofrece ninguna otra opción.
La cadena model fija las formas que el modelo puede adoptar, con una letra para cada una: error, tendencia y estacionalidad. Z deja que AICc elija, y A fija la forma como aditiva. Este capítulo usa ZZA: AICc elige el error y la tendencia, y la estacionalidad es aditiva, de modo que todo candidato tiene un ciclo diario. El valor predeterminado, ZZZ, también deja que AICc elija la estacionalidad. En este cliente y con estos 7 cortes, no eligió estacionalidad en ninguna ventana, una forma plana, ETS(A,N,N), de modo que su pronóstico es un único valor repetido durante el día. Este capítulo pregunta si un modelo con el ciclo diario supera a una copia de ayer, así que no usa esa forma. Otras formas estacionales puntúan de manera distinta en esta semana, y el Capítulo 4 examina las formas y su elección.
Un ajuste hace tres cosas, y cada una importa para lo que significa la puntuación. En cada corte, AutoETS lee las 1344 horas anteriores a él y compara las formas candidatas, conservando la de menor AICc. AICc premia un buen ajuste al historial y penaliza cada parámetro que usa la forma, de modo que una forma con más parámetros debe ajustarse mucho mejor para ganar. Después, el modelo proyecta esa forma 24 horas hacia adelante. La semana de prueba significa, por tanto, 7 selecciones separadas, no una sola. En esta semana, 7 ventanas eligieron ETS(A,N,A): error aditivo, sin tendencia y con una estacionalidad diaria aditiva. Los 7 ajustes siguen diferenciándose en sus parámetros. El libro no los cita, porque cada uno es un detalle de un ajuste concreto, y no deberías tomarlo como un hallazgo.
La comparación solo es justa si nada más cambia. Usa los mismos 7 cortes y las mismas 1344 horas de historial antes de cada uno, y reajusta el modelo en cada corte usando únicamente el historial anterior a ese corte. Solo el modelo difiere de la línea base.
1"""Forecasts the lead client's next day with AutoETS for each day of the held-out week, then scores it.2The point rests on the MAE and RMSE lines, read against the seasonal naive example, and on the form counts."""3import numpy as np4from statsforecast import StatsForecast5from statsforecast.models import AutoETS67from lib.backtest import chosen_forms, forecast_windows, held_out_cutoffs, scoring_counts, score_windows, window_mae8from lib.electricity import load9from lib.settings import HORIZON, LEAD, SEED, show1011# Seeded by convention. AutoETS's point forecast draws no random numbers, so this line changes nothing here.12np.random.seed(SEED)13# statsforecast reads a frame with three columns: the series id, the time and the value.14df = load([LEAD])[["unique_id", "ds", "y"]]15# model="ZZA": AICc chooses the error and trend forms; the seasonal form is fixed to additive, so every form has a day cycle.16sf = StatsForecast(models=[AutoETS(season_length=24, model="ZZA")], freq="h", n_jobs=1)17forecasts = forecast_windows(sf, df, held_out_cutoffs())18scores = score_windows(df, forecasts, "AutoETS")19counts = scoring_counts(df, forecasts, "AutoETS")20# chosen_forms refits at each cutoff to read the form each fit picked; the forecasts above do not report it.21forms = chosen_forms(sf, df, held_out_cutoffs())2223show("horizon hours", HORIZON)24show("windows", counts["windows"])25show("scored hours", counts["scored_hours"])26show("missing forecasts", counts["missing_forecasts"])27for form, n in forms.items():28 show(f"windows that chose {form}", n)29show("MAE", scores["mae"])30show("RMSE", scores["rmse"])31for day, mae_day in window_mae(df, forecasts, "AutoETS").items():32 show(f"MAE {day:%Y-%m-%d}", mae_day)
python autoets-next-day.pyhorizon hours: 24
windows: 7
scored hours: 168
missing forecasts: 0
windows that chose ETS(A,N,A): 7
MAE: 8.86
RMSE: 10.91
MAE 2014-12-25: 13.51
MAE 2014-12-26: 11.21
MAE 2014-12-27: 4.17
MAE 2014-12-28: 10.03
MAE 2014-12-29: 9.53
MAE 2014-12-30: 6.33
MAE 2014-12-31: 7.25
Los recuentos coinciden con los de la línea base, así que las dos puntuaciones cubren las mismas 168 horas, y las 7 ventanas eligieron la misma forma. El modelo realiza 7 ajustes, uno en cada corte, y cada uno ve solo lo que se conocía en su corte. La siguiente sección pone las puntuaciones una al lado de la otra.
Regla práctica: Añade un modelo solo con una línea base que deba superar en las mismas ventanas. Reajusta el modelo en cada corte, usando historial anterior a ese corte únicamente. Un modelo ajustado una vez sobre toda la serie y luego evaluado sobre esa misma serie ya ha visto las respuestas, y su puntuación no es una puntuación de pronóstico.
Puntúa ambos en una semana reservada
Ambos ejemplos ya han hecho 7 pronósticos a un día vista, a partir de las dos secciones anteriores. Una puntuación convierte los errores de un conjunto de pronósticos en un solo número. El error de una hora es la demanda real menos el pronóstico. Este capítulo usa dos puntuaciones. El error absoluto medio, MAE, es el tamaño promedio del fallo: MAE = mean(abs(actual - forecast)). La raíz del error cuadrático medio, RMSE, es RMSE = sqrt(mean((actual - forecast)^2)). Ambas se expresan en kWh y responden a preguntas distintas. Hyndman y Athanasopoulos, en Forecasting: Principles and Practice, cap. 5, señalan que un pronóstico que minimiza el MAE es un pronóstico de la mediana, y uno que minimiza el RMSE es un pronóstico de la media. Como el RMSE eleva cada error al cuadrado, unos pocos fallos grandes lo aumentan más que al MAE.
Ambas puntuaciones provienen de utilsforecast (0.2.17). Su mae es la media de los errores absolutos, y su rmse es la raíz cuadrada de la media de los errores al cuadrado (utilsforecast/losses.py, funciones mae y rmse). Las puntuaciones agrupan las 168 horas puntuadas. Cada hora cuenta una vez, y cada una de las 7 ventanas aporta 24 de ellas.
Lee la tabla frente a la demanda media de 46.62 kWh por hora: un número más bajo significa pronósticos más cercanos a las lecturas.
| Modelo | MAE (kWh) | RMSE (kWh) |
|---|---|---|
| SeasonalNaive | 8.36 | 10.87 |
| AutoETS | 8.86 | 10.91 |
Los errores de AutoETS son más altos que los de la referencia en ambas puntuaciones, como muestra la tabla, con un MAE de 8.86 kWh frente a 8.36. El MAE es la cifra con la que conviene planificar, porque es el fallo típico en cada hora. El RMSE es siempre al menos igual al MAE. Para errores normales, el RMSE es aproximadamente 1.25 veces el MAE, así que una razón muy superior a eso indica unos pocos fallos grandes. Esta sección lee las dos puntuaciones juntas y no va más allá, porque un solo cliente en una sola semana no puede mostrar la dispersión de los fallos.
Ambos modelos lo hacen peor alrededor de Navidad, pero en días distintos. Las líneas diarias muestran dónde: el peor día de la referencia es el 26 de diciembre, el día después de Navidad, cuando copia el 25, con 12.16 kWh por hora, el mayor de los 7. El peor día de AutoETS es el propio 25 de diciembre, con 13.51 kWh, frente a 9.41 de la referencia. Una diferencia de este tamaño, para un cliente en una semana, no es un veredicto. Siete pronósticos forman una muestra pequeña, y una clasificación basada en una sola semana puede invertirse la siguiente. El capítulo 3 somete la referencia estacional a una prueba retrospectiva sobre un año de cortes en domingo.
La puntuación también debe coincidir con la decisión, y la compra es asimétrica: como dice el caso, comprar de menos cuesta más que comprar de más. El MAE y el RMSE tratan un fallo en cualquiera de los dos sentidos por igual, porque usan el tamaño de cada fallo y no su signo. Eso basta para este capítulo, que pregunta si un pronóstico está cerca. No basta para la compra. El capítulo 8 construye rangos para esa decisión y los puntúa frente a lo que ocurrió.
Regla práctica: Puntúa cada modelo con pronósticos hechos sin las horas puntuadas en su historial, sobre más de un día, e informa del número de ventanas y horas que sustentan cada puntuación. Compara los modelos solo sobre las mismas ventanas. Lee el MAE y el RMSE juntos. Si no coinciden en cuál modelo es mejor, revisa los fallos más grandes de las ventanas antes de elegir, porque unos pocos fallos grandes pueden decidir el resultado.
Qué sale mal en producción
Los pronósticos y las puntuaciones de arriba pueden fallar de 5 maneras, y solo algunas de ellas imprimen un error. La regla de corte y la regla del naíf estacional indican lo que cada ventana debe contener.
El primer fallo es una etiqueta desplazada una hora, y ninguna puntuación de este capítulo lo detecta. Si el lector toma ds como el final de su hora y no como el inicio, los pronósticos y las lecturas con las que se comparan llevan el mismo desplazamiento, así que la puntuación no cambia. El error está en la compra: el pronóstico cubriría horas distintas de aquellas para las que el proveedor compra. La tarjeta de datos fija la etiqueta, así que es lo primero que conviene revisar cuando un pronóstico se traslada a datos nuevos.
La fuga favorece a una ventana cuyo historial incluye las horas que predice, y nada en la puntuación lo indica. Hewamalage, Ackermann y Bergmeir (2022) advierten que la evaluación con origen rodante es propensa a esta fuga cuando no se hace con cuidado. Las comprobaciones aquí son la regla de corte y la longitud del historial. Cada historial debe terminar antes de su corte y contener 1344 filas. history_before lanza un error cuando un historial es demasiado corto o demasiado largo. Un historial al que se le ha quitado una hora se rechaza: la comprobación al final del ejemplo de ingenua estacional imprime yes para él.
El método ingenuo estacional copia el día de ayer, así que un día inusual se convierte en el pronóstico de mañana, y la semana reservada contiene uno. El 25 de diciembre de 2014 es Navidad, y la demanda media del cliente principal ese día es de 38.40 kWh por hora, frente a 47.58 kWh el 24 de diciembre. La ventana del 26 de diciembre copia ese día, así que tiene el MAE más alto de las 7 ventanas, 12.16 kWh. Ese es el fallo, y las puntuaciones lo muestran. Un solo festivo es muy poco para medir un efecto festivo, así que el libro no lo aborda, como explica el caso y sus datos. El capítulo 10 muestra su coste.
Una lectura que falta pasa sin control. La ingenua estacional de statsforecast no comprueba su entrada. Repite los valores de la última temporada, así que un valor ausente en esa temporada se convierte en un pronóstico ausente (statsforecast 2.1.1, statsforecast/utils.py, función _seasonal_naive). El ejemplo de ingenua estacional cuenta los pronósticos ausentes, 0 aquí, porque un hueco en el pronóstico es una hora que la puntuación no describe. El capítulo 3 rellena las horas que necesitan relleno, a partir de datos anteriores al corte, antes de que se ejecute cualquier modelo.
Por último, la ventana en sí puede favorecer al método. Una semana sin días inusuales puede hacer que casi cualquier pronóstico parezca bueno, y una semana con uno puede hacer que todos parezcan malos. La semana reservada tiene un festivo, y sigue siendo una sola semana para un solo cliente, así que sus puntuaciones describen más esa semana que el método. La solución es la amplitud: compara modelos en varias ventanas de distintos tipos antes de confiar en una clasificación.
Regla práctica: Antes de confiar en una puntuación, comprueba tres cosas en este orden: la primera hora de pronóstico de cada ventana es su corte, cada historial termina antes de su corte y contiene la longitud completa del historial, y ningún pronóstico falta. Las funciones auxiliares lanzan un error para los dos primeros, y los ejemplos imprimen el tercero. Una puntuación cuenta como un hallazgo solo después de que las tres pasen.
Decisiones que tomó este capítulo
Este capítulo tomó nueve decisiones. La mayoría son ajustes en examples/lib/settings.py, de modo que una edición posterior que cambie uno lo cambia en todos los capítulos que lo usan. El resto está indicado en la ficha de datos o en este capítulo. El capítulo 2 parte de estos dos pronósticos y de sus dos puntuaciones, y se pregunta si alguno de los dos es lo bastante bueno como para actuar en consecuencia.
- El corte de cada ventana está a las 00:00 del día que predice, y el horizonte es de 24 horas, de modo que cada ventana cubre ese día.
- El historial anterior a cada corte es de 1344 horas, es decir, 8 semanas.
- El cliente principal es
MT_014. La semana reservada va del 25 al 31 de diciembre de 2014: 7 ventanas y 168 horas puntuadas. - Las puntuaciones son MAE y RMSE, agregadas sobre esas horas puntuadas e impresas con dos decimales.
- Los modelos son naive estacional con una estación de 24 horas, y AutoETS con la cadena de modelo
ZZAy una estación de 24 horas. Cada ejecución usa statsforecast con un solo proceso. Ninguno de los dos pronósticos puntuales genera números aleatorios, de modo que la semilla que el ejemplo de AutoETS fija, por convención, no tiene efecto sobre él. - El recorte elimina
MT_223y conserva 30 clientes, como explica la ficha de datos. - Las filas del cambio de hora y de los clientes que se incorporan tarde se mantienen tal cual, porque ningún historial de este capítulo las contiene. Los capítulos 3 y 4 se ocupan de ellas.
- Cada número que el texto cita está vinculado a una línea etiquetada de la salida registrada de su ejemplo, de modo que el texto y la salida no pueden contradecirse sin que se note.
- El capítulo construye el pronóstico de un solo cliente y no incluye intervalos. El capítulo 8 es donde comienzan los intervalos.
Este capítulo, en esta edición
Edición 2026.11.11Ejemplos verificados el 20 de nov de 2026Superan la prueba 3 de 3 ejemplos ejemplos de este capítulo
Traducido del libro en inglés, edición 2026.11.11.