Ajuste um modelo estatístico para cada cliente

Cerca de 30 minutos min de leitura, com 6 exemplos em 10 seções.

Edição 2026.11.11 Exemplos aprovados em 20 de nov de 2026 41 de 41 exemplos passam O que mudou

Traduzido com IA. Verificado por pessoas em inglês. Como fazemos os livros

Traduzido do livro em inglês, edição 2026.11.11. Leia o original

Aqui você ajusta o AutoETS e um ARIMA sazonal fixo para cada cliente, sobre o mesmo backtest, compara os dois com o sazonal ingênuo e aprende a iniciar um cliente que começa tarde na sua primeira leitura. O capítulo pressupõe as linhas de base e os backtests dos dois capítulos anteriores.

Cada cliente do fornecedor precisa de sua própria previsão para o dia seguinte, e o sazonal ingênuo do Capítulo 2 dá a todos a mesma resposta: a mesma hora do dia anterior. Essa regra não guarda nenhuma estimativa do nível nem da tendência de um cliente, e os clientes diferem em ambos. Por isso este capítulo ajusta um modelo estatístico para cada cliente e pergunta se o trabalho extra compensa.

Por que um modelo estatístico vem em seguida

Última alteração na edição 2026.11.11

O capítulo 2 estabeleceu a referência. A sazonal ingênua prevê cada hora como a mesma hora do dia anterior, e o erro escalonado, MASE, compara clientes com cargas diferentes em uma mesma escala. O capítulo 3 fez o backtest dessa previsão em muitos pontos de corte. Um ponto de corte é o momento em que uma previsão é feita, e seu histórico termina ali. Uma janela é um ponto de corte e as 24 horas que o seguem, que é o horizonte. O histórico de cada janela termina no seu ponto de corte, então nenhuma hora é prevista com dados do próprio dia.

Um modelo estatístico acrescenta algo a esse ciclo. Uma série tem um estado. O nível da série é a sua leitura típica, a tendência é a deriva lenta do nível, a sazonalidade é a forma diária da carga, e o que nenhum desses explica é o erro. Um modelo estatístico mantém uma estimativa de cada parte do estado de uma série, atualiza as estimativas à medida que cada leitura chega e as projeta ao longo do horizonte. A sazonal ingênua não tem esse estado. Ela copia o dia anterior, então só captura o nível de um cliente tão bem quanto o dia anterior o fez.

Um modelo por cliente é um ajuste para cada cliente, usando apenas o histórico daquele cliente, então o custo é um ajuste por cliente por janela. O subconjunto usado neste capítulo, SUBSET8, tem oito clientes. Nos três pontos de corte padrão do livro, de 29 a 31 de dezembro de 2014, os três últimos dias da semana reservada e as janelas que todos os capítulos seguintes reportam, isso dá 24 ajustes para cada modelo. O código executa os ajustes em um único worker (n_jobs=1), o que mantém a saída idêntica de uma execução para outra. Todo modelo deste capítulo recebe os mesmos três pontos de corte e as mesmas 1,344 horas de histórico antes de cada um. Os pontos de corte caem na semana reservada, e o subconjunto inclui o cliente que começou tarde, de que uma seção posterior precisa.

Regra prática: Ajuste um modelo por cliente somente depois que a referência e o backtest estiverem prontos. Conte os ajustes antes de escolher o número de janelas: clientes, vezes janelas, vezes reajustes, se você executar o modelo todo dia. Use os mesmos pontos de corte e o mesmo histórico para todos os modelos de uma comparação. Caso contrário, a comparação mede as janelas, não os modelos.

Ajuste de suavização exponencial

Última alteração na edição 2026.11.11

O naive sazonal guarda apenas o dia anterior, por isso o primeiro candidato mantém um nível. A suavização exponencial move esse nível em direção a cada nova leitura. A forma mais simples atualiza o nível como level_t = alpha * y_t + (1 - alpha) * level_(t-1). A constante alfa, entre 0 e 1, define a velocidade com que o nível acompanha os dados. A previsão para cada hora do horizonte é o último nível. Leituras recentes pesam mais do que as antigas, e os pesos diminuem com a idade.

ETS, de erro, tendência e sazonalidade, estende a forma mais simples da suavização exponencial. Cada parte é escolhida em uma lista curta. A tendência pode ser nula, aditiva ou amortecida. O erro pode ser aditivo ou multiplicativo, e a sazonalidade pode ser nula, aditiva ou multiplicativa. Um nome como ETS(A,N,A) lê-se nessa ordem: erro aditivo, sem tendência, sazonalidade aditiva. ETS(M,Ad,M) tem erro multiplicativo, tendência amortecida e sazonalidade multiplicativa.

AutoETS escolhe a forma ETS por você. Seu critério padrão é o AICc, o critério de informação de Akaike corrigido, que penaliza um modelo por cada parâmetro e corrige para amostras pequenas, como diz a docstring de AutoETS no statsforecast 2.1.1 (statsforecast/models.py). Dois de seus padrões importam para a demanda horária. O comprimento da sazonalidade é 1 por padrão, o que significa nenhuma sazonalidade, e o modelo não emite aviso se você deixar assim. O argumento model vem por padrão como "ZZZ", o que permite ao modelo escolher as três partes. Para a demanda horária com padrão diário, a chamada define season_length=24.

Qual forma o AutoETS escolhe para cada cliente, e suas previsões superam o naive sazonal? As linhas que ele imprime respondem às duas perguntas.

autoets-subset-backtest.py Python 3.13.16 · numpy 2.5.5 · pandas 2.3.3 · statsforecast 2.1.1 · utilsforecast 0.2.17 Aprovado
"""Backtest AutoETS and seasonal naive for the eight clients of SUBSET8 over the three standard cutoffs, and score both.The fits lines count the forms AutoETS chose, and the MASE and coverage lines are the scores the comparison table quotes."""from collections import Counter, defaultdictimport numpy as npimport pandas as pdfrom statsforecast import StatsForecastfrom statsforecast.models import AutoETS, SeasonalNaivefrom lib.scoring import book_scalefrom lib.electricity import loadfrom lib.quirks import filled_history, mask_clock_changesfrom lib.settings import EVAL_CUTOFFS, HORIZON, SEED, SUBSET8, showfrom lib.subsets import score_clients, show_client_linesnp.random.seed(SEED)                                        # the seed from lib/settings.py, set before any fitmasked = mask_clock_changes(load(SUBSET8))                  # clock-change hours become NaN, so they are never scored; filled_history fills them from their neighbours before each fitscale = book_scale(load(SUBSET8), EVAL_CUTOFFS[0])        # MASE scale: rows before the first cutoff, from each client's first reading# season_length=24 for hourly demand; the default of 1 would mean no season at all. n_jobs=1 keeps the output the same from run to run.sf = StatsForecast(models=[AutoETS(season_length=24), SeasonalNaive(season_length=24)], freq="h", n_jobs=1)parts, forms, by_client = [], Counter(), defaultdict(list)for c in pd.to_datetime(EVAL_CUTOFFS):    sf.fit(df=filled_history(masked, c)[["unique_id", "ds", "y"]])   # the eight weeks before c, clock hours filled from them    part = sf.predict(h=HORIZON, level=[95])                          # level=[95] asks for the 95% interval the coverage line scores    # the first forecast hour must be the cutoff itself, or the window is misaligned    if part["ds"].min() != c:        raise ValueError(f"forecast for {c:%Y-%m-%d} does not start at the cutoff")    parts.append(part)    for i, uid in enumerate(sf.uids):        form = sf.fitted_[i, 0].model_["method"]                    # model 0 is AutoETS; its method name is the form, such as ETS(A,N,A)        forms[form] += 1        by_client[uid].append(form)forecasts = pd.concat(parts, ignore_index=True)summary, per_client = score_clients(forecasts, masked, ["AutoETS", "SeasonalNaive"], scale, interval_model="AutoETS")show("horizon hours", HORIZON)show("windows", len(parts))for form, n in sorted(forms.items()):    show(f"fits that chose {form}", n)# the form reads ETS(error,trend,season): a multiplicative part is an M in any of the three slotsshow("fits with a multiplicative part", sum(n for form, n in forms.items() if "M" in form[4:-1].split(",")))for label, value in summary.items():    show(label, value, digits=3 if label.startswith("coverage") else 2)   # coverage is a share, to three decimals; the rest are kWh or ratiosshow("clients where AutoETS has lower MASE", int((per_client["AutoETS"] < per_client["SeasonalNaive"]).sum()))show_client_lines(by_client, per_client, ["AutoETS", "SeasonalNaive"])
Saídapython autoets-subset-backtest.py
horizon hours: 24
windows: 3
fits that chose ETS(A,Ad,A): 1
fits that chose ETS(A,N,A): 8
fits that chose ETS(A,N,N): 9
fits that chose ETS(M,Ad,M): 2
fits that chose ETS(M,N,A): 3
fits that chose ETS(M,N,M): 1
fits with a multiplicative part: 6
clients: 8
scored hours per client: 72
MAE AutoETS: 362.11
RMSE AutoETS: 537.20
MASE AutoETS: 1.30
MAE SeasonalNaive: 423.68
RMSE SeasonalNaive: 591.25
MASE SeasonalNaive: 1.16
coverage 95 AutoETS: 0.910
clients where AutoETS has lower MASE: 4
forms MT_014, one per cutoff: ETS(A,N,N) ETS(A,N,N) ETS(A,N,N)
MASE MT_014 AutoETS: 1.18
MASE MT_014 SeasonalNaive: 0.97
forms MT_064, one per cutoff: ETS(A,N,N) ETS(A,N,N) ETS(A,N,N)
MASE MT_064 AutoETS: 2.32
MASE MT_064 SeasonalNaive: 1.08
forms MT_115, one per cutoff: ETS(M,N,A) ETS(M,N,A) ETS(M,N,A)
MASE MT_115 AutoETS: 0.95
MASE MT_115 SeasonalNaive: 1.31
forms MT_166, one per cutoff: ETS(A,Ad,A) ETS(A,N,A) ETS(A,N,A)
MASE MT_166 AutoETS: 1.18
MASE MT_166 SeasonalNaive: 1.29
forms MT_217, one per cutoff: ETS(M,N,M) ETS(M,Ad,M) ETS(M,Ad,M)
MASE MT_217 AutoETS: 1.76
MASE MT_217 SeasonalNaive: 1.25
forms MT_268, one per cutoff: ETS(A,N,A) ETS(A,N,A) ETS(A,N,A)
MASE MT_268 AutoETS: 0.94
MASE MT_268 SeasonalNaive: 0.89
forms MT_319, one per cutoff: ETS(A,N,A) ETS(A,N,A) ETS(A,N,A)
MASE MT_319 AutoETS: 1.11
MASE MT_319 SeasonalNaive: 1.26
forms MT_370, one per cutoff: ETS(A,N,N) ETS(A,N,N) ETS(A,N,N)
MASE MT_370 AutoETS: 0.96
MASE MT_370 SeasonalNaive: 1.25

A forma escolhida muda de cliente para cliente, e para alguns clientes de um ponto de corte para o seguinte. Entre os 24 ajustes, o AutoETS escolheu ETS(A,N,N), sem sazonalidade, em 9 deles, e ETS(A,N,A), com sazonalidade aditiva, em 8. ETS(A,Ad,A), uma tendência amortecida com sazonalidade aditiva, apareceu em 1 dos ajustes. Os demais ajustes usaram uma parte multiplicativa, no erro, na sazonalidade ou em ambos. As linhas abaixo dos totais mostram as três formas de cada cliente. Três clientes, MT_014, MT_064 e MT_370, adotam a forma plana nos três pontos de corte. MT_014 é o cliente principal, aquele que o Capítulo 1 apresentou.

Uma forma plana vencer parece estranho quando a forma sazonal a contém. ETS(A,N,N) é ETS(A,N,A) com a parte sazonal desligada, portanto o melhor ajuste sazonal não pode ter verossimilhança menor do que o ajuste plano sobre o mesmo histórico. Ajustar as duas formas em cada uma das 24 janelas mostra se isso acontece.

flat-form-check.py Python 3.13.16 · numpy 2.5.5 · pandas 2.3.3 · statsforecast 2.1.1 · utilsforecast 0.2.17 Aprovado
"""For each subset window, fit the flat form ETS(A,N,N) and the additive-season form ETS(A,N,A) on the same history, and count where the seasonal fit has the lower likelihood.The two counts printed last are the ones the prose quotes."""import numpy as npimport pandas as pdfrom statsforecast import StatsForecastfrom statsforecast.models import AutoETSfrom lib.electricity import loadfrom lib.quirks import filled_history, mask_clock_changesfrom lib.settings import EVAL_CUTOFFS, SEED, SUBSET8, shownp.random.seed(SEED)                                        # the seed from lib/settings.py, set before any fitmasked = mask_clock_changes(load(SUBSET8))windows = seasonal_lower_loglik = seasonal_higher_aicc = 0for c in pd.to_datetime(EVAL_CUTOFFS):    hist = filled_history(masked, c)[["unique_id", "ds", "y"]]    # ANN is additive error, no trend, no season: the flat form. ANA is the same with an additive season.    sf = StatsForecast(models=[AutoETS(model="ANN", season_length=24, alias="flat"),                               AutoETS(model="ANA", season_length=24, alias="seasonal")], freq="h", n_jobs=1)    sf.fit(df=hist)    for i in range(len(sf.uids)):        flat = sf.fitted_[i, 0].model_                          # models are fitted in the order listed: 0 is the flat fit        seasonal = sf.fitted_[i, 1].model_                      # 1 is the seasonal fit        windows += 1        # ANA contains ANN, so a lower seasonal likelihood points to a fit that stopped short of its best        seasonal_lower_loglik += int(seasonal["loglik"] < flat["loglik"])        # AICc charges each parameter, so this count can differ from the likelihood count        seasonal_higher_aicc += int(seasonal["aicc"] > flat["aicc"])show("windows", windows)show("seasonal fit has the lower log-likelihood", seasonal_lower_loglik)show("seasonal fit has the higher AICc", seasonal_higher_aicc)
Saídapython flat-form-check.py
windows: 24
seasonal fit has the lower log-likelihood: 9
seasonal fit has the higher AICc: 9

O ajuste sazonal perde na verossimilhança, e não apenas no AICc. Sua log-verossimilhança é menor em 9 das 24 janelas, e seu AICc é maior em 9. São as mesmas nove janelas em que a execução padrão escolheu a forma plana. O AICc penaliza um modelo por cada parâmetro, e a forma sazonal tem 24 a mais. Essa penalização se soma à diferença, mas não a causa, pois a verossimilhança do ajuste sazonal já é menor antes de qualquer penalização. O mais provável é que o ajuste sazonal tenha parado antes do seu melhor valor, e a forma plana venceu por padrão. O livro não persegue o otimizador; ele testa a escolha com uma sazonalidade forçada.

O Capítulo 1 forçou uma sazonalidade aditiva no cliente principal, com model="ZZA", e o naive sazonal ainda teve o menor erro ali. Isso vale para os oito? A execução forçada cobre os mesmos oito clientes, ao lado da padrão.

autoets-forced-season-backtest.py Python 3.13.16 · numpy 2.5.5 · pandas 2.3.3 · statsforecast 2.1.1 · utilsforecast 0.2.17 Aprovado
"""Backtest AutoETS with the season forced to additive (model ZZA) and seasonal naive, for the eight clients of SUBSET8 over the three standard cutoffs.The ZZA lines are the forced-season scores that the comparison table and the forced-season paragraph quote."""from collections import Counter, defaultdictimport numpy as npimport pandas as pdfrom statsforecast import StatsForecastfrom statsforecast.models import AutoETS, SeasonalNaivefrom lib.scoring import book_scalefrom lib.electricity import loadfrom lib.quirks import filled_history, mask_clock_changesfrom lib.settings import EVAL_CUTOFFS, HORIZON, SEED, SUBSET8, showfrom lib.subsets import score_clients, show_client_linesnp.random.seed(SEED)                                        # the seed from lib/settings.py, set before any fitmasked = mask_clock_changes(load(SUBSET8))                  # clock-change hours become NaN, so they are never scored; filled_history fills them from their neighbours before each fitscale = book_scale(load(SUBSET8), EVAL_CUTOFFS[0])        # MASE scale: rows before the first cutoff, from each client's first reading# ZZA: Z lets the model choose the error and the trend, A forces an additive season. alias names the output columns.sf = StatsForecast(models=[AutoETS(model="ZZA", season_length=24, alias="ZZA"), SeasonalNaive(season_length=24)],                   freq="h", n_jobs=1)parts, forms, by_client = [], Counter(), defaultdict(list)for c in pd.to_datetime(EVAL_CUTOFFS):    sf.fit(df=filled_history(masked, c)[["unique_id", "ds", "y"]])   # the eight weeks before c, clock hours filled from them    part = sf.predict(h=HORIZON, level=[95])                          # level=[95] asks for the 95% interval the coverage line scores    # the first forecast hour must be the cutoff itself, or the window is misaligned    if part["ds"].min() != c:        raise ValueError(f"forecast for {c:%Y-%m-%d} does not start at the cutoff")    parts.append(part)    for i, uid in enumerate(sf.uids):        form = sf.fitted_[i, 0].model_["method"]                    # model 0 is the forced AutoETS; its method name is the form        forms[form] += 1        by_client[uid].append(form)forecasts = pd.concat(parts, ignore_index=True)summary, per_client = score_clients(forecasts, masked, ["ZZA", "SeasonalNaive"], scale, interval_model="ZZA")show("horizon hours", HORIZON)show("windows", len(parts))for form, n in sorted(forms.items()):    show(f"fits that chose {form}", n)for label, value in summary.items():    show(label, value, digits=3 if label.startswith("coverage") else 2)show("clients where ZZA has lower MASE", int((per_client["ZZA"] < per_client["SeasonalNaive"]).sum()))show_client_lines(by_client, per_client, ["ZZA", "SeasonalNaive"])
Saídapython autoets-forced-season-backtest.py
horizon hours: 24
windows: 3
fits that chose ETS(A,Ad,A): 1
fits that chose ETS(A,N,A): 17
fits that chose ETS(M,N,A): 6
clients: 8
scored hours per client: 72
MAE ZZA: 365.24
RMSE ZZA: 553.11
MASE ZZA: 1.17
MAE SeasonalNaive: 423.68
RMSE SeasonalNaive: 591.25
MASE SeasonalNaive: 1.16
coverage 95 ZZA: 0.925
clients where ZZA has lower MASE: 4
forms MT_014, one per cutoff: ETS(A,N,A) ETS(A,N,A) ETS(A,N,A)
MASE MT_014 ZZA: 1.08
MASE MT_014 SeasonalNaive: 0.97
forms MT_064, one per cutoff: ETS(A,N,A) ETS(A,N,A) ETS(A,N,A)
MASE MT_064 ZZA: 1.27
MASE MT_064 SeasonalNaive: 1.08
forms MT_115, one per cutoff: ETS(M,N,A) ETS(M,N,A) ETS(M,N,A)
MASE MT_115 ZZA: 0.95
MASE MT_115 SeasonalNaive: 1.31
forms MT_166, one per cutoff: ETS(A,Ad,A) ETS(A,N,A) ETS(A,N,A)
MASE MT_166 ZZA: 1.18
MASE MT_166 SeasonalNaive: 1.29
forms MT_217, one per cutoff: ETS(M,N,A) ETS(M,N,A) ETS(M,N,A)
MASE MT_217 ZZA: 1.78
MASE MT_217 SeasonalNaive: 1.25
forms MT_268, one per cutoff: ETS(A,N,A) ETS(A,N,A) ETS(A,N,A)
MASE MT_268 ZZA: 0.94
MASE MT_268 SeasonalNaive: 0.89
forms MT_319, one per cutoff: ETS(A,N,A) ETS(A,N,A) ETS(A,N,A)
MASE MT_319 ZZA: 1.11
MASE MT_319 SeasonalNaive: 1.26
forms MT_370, one per cutoff: ETS(A,N,A) ETS(A,N,A) ETS(A,N,A)
MASE MT_370 ZZA: 1.05
MASE MT_370 SeasonalNaive: 1.25

No MASE médio, forçar a sazonalidade aproxima o AutoETS do naive sazonal por pouco, sem superá-lo: 1.17 contra 1.30 da execução padrão e 1.16 do naive sazonal.

A sazonalidade forçada ajuda alguns clientes e prejudica outros. Ela reduz o MASE do cliente principal, de 1.18 para 1.08, e também o de MT_064, mas aumenta o de MT_370, de 0.96 para 1.05. Portanto, forçar a sazonalidade é uma mudança a testar em cada cliente, não um conserto a aplicar a todos.

Regra prática: Comece com o AutoETS para a demanda horária com season_length=24, e imprima as formas escolhidas em todos os backtests. Quando um cliente adota uma forma plana, verifique se a forma sazonal dele não está falhando. Se o ajuste sazonal tiver verossimilhança menor que a do plano, force a sazonalidade com model="ZZA", e pontue as duas formas em janelas anteriores antes de manter qualquer uma: pontos de corte anteriores à semana reservada que o relatório não pontua, como os quatro dias comuns do fim de novembro e início de dezembro de 2014, que o Capítulo 5 reserva para as escolhas. Os pontos de corte padrão mostram a comparação aqui, mas não a decidem. Quando uma previsão piora, procure primeiro uma forma que tenha mudado entre os pontos de corte.

Ajuste um ARIMA sazonal fixo

Última alteração na edição 2026.11.5

O segundo modelo candidato modela aquilo que o naive sazonal deixa para trás. Os backtests do Capítulo 3 são o teste do que ele acrescenta. Um modelo ARIMA escreve a próxima leitura como uma soma ponderada de leituras anteriores e erros anteriores, depois de diferenciar: subtrair de cada leitura a leitura de uma estação antes. O modelo é escrito ARIMA(p,d,q)(P,D,Q)[m]. A parte não sazonal tem p termos autorregressivos, d diferenças e q termos de média móvel. A parte sazonal tem os mesmos três, em defasagens que são múltiplos do comprimento da estação m.

O modelo do livro é ARIMA(1,0,0)(1,1,0)[24]. Ele tem um termo autorregressivo, nenhuma diferença comum, nenhum termo de média móvel, uma diferença sazonal na defasagem 24 e um termo autorregressivo sazonal na defasagem 24. Escrito por extenso, com B o operador de passo para trás, de modo que B y_t é y_(t-1):

(1 - phi1 B)(1 - Phi1 B^24)(1 - B^24) y_t = e_t

O termo (1 - B^24) substitui cada leitura pela sua variação em relação à mesma hora do dia anterior. A defasagem de 24 é o ponto central do modelo para a demanda horária. Cada hora é comparada com a mesma hora do dia anterior, que é a comparação que o naive sazonal faz, e os termos autorregressivos então modelam o que essa comparação deixa para trás. A diferença sazonal remove o nível, por isso o modelo não tem termo de média. O ARIMA do statsforecast deixa a média de fora em séries diferenciadas por padrão (statsforecast/models.py, a docstring do ARIMA).

Fixamos a ordem em vez de procurá-la, e a seção sobre busca automática explica o motivo. Antes de a ordem entrar em um backtest, ajuste-a uma vez com statsmodels 0.15.0 no histórico do cliente principal anterior ao primeiro ponto de corte padrão, e imprima os nomes dos parâmetros ajustados. Isso mostra se o modelo tem os termos que você escreveu.

arima-summary-look.py Python 3.13.16 · numpy 2.5.5 · pandas 2.3.3 · statsmodels 0.15.0 · utilsforecast 0.2.17 Aprovado
"""Fit the fixed seasonal ARIMA with statsmodels on the lead client's history before the first standard cutoff, and print its parameter names. The parameter lines are what the prose reads."""import pandas as pdfrom statsmodels.tsa.statespace.sarimax import SARIMAXfrom lib.backtest import history_beforefrom lib.electricity import loadfrom lib.settings import EVAL_CUTOFFS, LEAD, showhist = history_before(load([LEAD]), pd.Timestamp(EVAL_CUTOFFS[0]))y = pd.Series(hist["y"].to_numpy(), index=pd.DatetimeIndex(hist["ds"], freq="h"))res = SARIMAX(y, order=(1, 0, 0), seasonal_order=(1, 1, 0, 24)).fit(disp=False)show("hours of history", len(y))for name in res.params.index:    show("parameter", name)
Saídapython arima-summary-look.py
hours of history: 1344
parameter: ar.L1
parameter: ar.S.L24
parameter: sigma2

A lista tem três nomes: ar.L1, ar.S.L24 e sigma2. O primeiro é o termo autorregressivo, que indica quanto a variação de uma hora em relação à mesma hora do dia anterior se transmite à hora seguinte. O segundo é o termo sazonal na defasagem 24, que indica quanto a variação de um dia em determinada hora se transmite à mesma hora do dia seguinte. O terceiro é a variância do erro. A lista não tem intercepto. O statsmodels acrescenta um intercepto a um ARIMA sazonal somente quando trend está definido, de modo que a lista não mostraria nenhum, quer a série seja diferenciada ou não, e o modelo com diferença sazonal não precisa de um em qualquer caso. Um resumo completo do statsmodels também traz cada valor. Este livro não os cita. Os valores mudam com a janela e a versão da biblioteca, e o leitor precisa mais de entender o que cada termo significa do que de saber o seu número.

O modelo fixo é então mais um candidato no backtest, ao lado do AutoETS e do naive sazonal. Suas pontuações aparecem na seção de comparação abaixo.

Regra prática: Quando uma busca é lenta demais para rodar em cada ponto de corte, fixe a ordem e escreva-a na chamada. Imprima o resumo uma vez e confira se os termos listados são os que você pretendia. Reajuste a ordem fixa em cada ponto de corte, como faria com qualquer outro modelo. A ordem permanece fixa. Os coeficientes não.

Compare os modelos nos mesmos cortes

Última alteração na edição 2026.11.11

Quatro previsões agora cobrem as mesmas 24 horas, nos mesmos três cortes, a partir das mesmas oito semanas de histórico, para os mesmos oito clientes: naïve sazonal, AutoETS, AutoETS com a sazonalidade forçada e ARIMA. Cada backtest é um script separado, então cada um termina bem dentro dos 45 segundos que o livro permite a um exemplo em dois CPUs.

Ainda falta uma pontuação: a do ARIMA fixo, nas mesmas janelas e com as mesmas medidas.

arima-subset-backtest.py Python 3.13.16 · numpy 2.5.5 · pandas 2.3.3 · statsforecast 2.1.1 · utilsforecast 0.2.17 Aprovado
"""Backtest the fixed seasonal ARIMA(1,0,0)(1,1,0)[24] and seasonal naive for the eight clients of SUBSET8 over the three standard cutoffs.The MASE gap and the count of clients where ARIMA wins, printed last, are the figures the comparison section quotes."""import numpy as npimport pandas as pdfrom statsforecast import StatsForecastfrom statsforecast.models import ARIMA, SeasonalNaivefrom lib.scoring import book_scalefrom lib.electricity import loadfrom lib.quirks import filled_history, mask_clock_changesfrom lib.settings import EVAL_CUTOFFS, HORIZON, SEED, SUBSET8, showfrom lib.subsets import score_clientsnp.random.seed(SEED)                                        # the seed from lib/settings.py, set before any fitmasked = mask_clock_changes(load(SUBSET8))                  # clock-change hours become NaN, so they are never scored; filled_history fills them from their neighbours before each fitscale = book_scale(load(SUBSET8), EVAL_CUTOFFS[0])        # MASE scale: rows before the first cutoff, from each client's first reading# The order is fixed, not searched: one AR term, one seasonal difference and one seasonal AR term, all at lag 24.# n_jobs=1 keeps the output the same from run to run.sf = StatsForecast(models=[ARIMA(order=(1, 0, 0), season_length=24, seasonal_order=(1, 1, 0)),                           SeasonalNaive(season_length=24)], freq="h", n_jobs=1)parts = []for c in pd.to_datetime(EVAL_CUTOFFS):    sf.fit(df=filled_history(masked, c)[["unique_id", "ds", "y"]])   # the eight weeks before c, clock hours filled from them    part = sf.predict(h=HORIZON)    # the first forecast hour must be the cutoff itself, or the window is misaligned    if part["ds"].min() != c:        raise ValueError(f"forecast for {c:%Y-%m-%d} does not start at the cutoff")    parts.append(part)forecasts = pd.concat(parts, ignore_index=True)summary, per_client = score_clients(forecasts, masked, ["ARIMA", "SeasonalNaive"], scale)show("horizon hours", HORIZON)show("windows", len(parts))for label, value in summary.items():    show(label, value)show("MASE gap, SeasonalNaive minus ARIMA", summary["MASE SeasonalNaive"] - summary["MASE ARIMA"])show("clients where ARIMA has lower MASE", int((per_client["ARIMA"] < per_client["SeasonalNaive"]).sum()))
Saídapython arima-subset-backtest.py
horizon hours: 24
windows: 3
clients: 8
scored hours per client: 72
MAE ARIMA: 386.13
RMSE ARIMA: 576.30
MASE ARIMA: 1.09
MAE SeasonalNaive: 423.68
RMSE SeasonalNaive: 591.25
MASE SeasonalNaive: 1.16
MASE gap, SeasonalNaive minus ARIMA: 0.07
clients where ARIMA has lower MASE: 5

O MAE está em quilowatt-hora, e o RMSE, a raiz do erro quadrático médio, penaliza mais os erros grandes. Ambos são calculados para cada cliente sobre suas 72 horas avaliadas e depois tiradas as médias entre os oito clientes, de modo que cada cliente conta uma vez. O MASE divide o MAE de cada cliente pelo MAE que o naïve sazonal comete no próprio histórico do cliente, sobre todas as leituras anteriores a 29 de dezembro de 2014, a partir da primeira leitura de cada cliente e sem as horas de mudança de horário, e depois faz a média entre os clientes. Um MASE de 1 significa que o modelo é tão preciso quanto o naïve sazonal foi no próprio passado. A cobertura do AutoETS é a fração das horas avaliadas que caem dentro do seu intervalo de previsão de 95%, a faixa que o modelo fornece para cada hora.

Modelo MAE (kWh) RMSE (kWh) MASE Clientes que superam o naïve sazonal no MASE
SeasonalNaive 423.68 591.25 1.16 não se aplica
AutoETS 362.11 537.20 1.30 4
AutoETS, sazonalidade forçada (ZZA) 365.24 553.11 1.17 4
ARIMA 386.13 576.30 1.09 5

Leia a última coluna como uma contagem entre os oito clientes, e não como uma pontuação. Os intervalos do AutoETS cobrem 0.910 das horas avaliadas, e os intervalos com sazonalidade forçada cobrem 0.925. A fração nominal é 0.95, então os intervalos ficam um pouco estreitos nesta amostra. A cobertura verifica os intervalos, não a previsão pontual. Um intervalo que cobre pouco é estreito demais, e um planejador que compra com base nele ficará com falta mais vezes do que o rótulo indica. O Capítulo 8 volta aos intervalos e mostra como calibrá-los em janelas anteriores.

As duas medidas discordam sobre o AutoETS. Seu MAE médio é o menor entre as quatro linhas, e seu MASE médio é o maior. O MAE em quilowatt-hora dá mais peso aos clientes com cargas grandes, porque seus erros são grandes. O MASE escala o erro de cada cliente pelo próprio histórico, de modo que cada cliente conta aproximadamente o mesmo. As linhas por cliente na execução do AutoETS mostram de onde vem o MASE. MT_064 tem um MASE de 2.32, contra 1.08 do naïve sazonal, e é um dos clientes de forma plana. MT_217 tem 1.76, contra 1.25, e sua forma muda de um corte para o seguinte. O ranking depende da medida, então a escolha da medida faz parte da decisão.

Três janelas são uma amostra pequena, como explica o Capítulo 3. O AutoETS supera o naïve sazonal em 4 dos oito clientes, e o ARIMA em 5. O ARIMA é melhor que o naïve sazonal nas duas medidas, e no MASE por 0.07. Três janelas não bastam para decidir uma diferença tão pequena.

Regra prática: Pontue todos os candidatos nos mesmos cortes, com o mesmo histórico e a mesma escala, e reporte MAE e MASE lado a lado. Quando as duas discordarem, diga qual delas a decisão exige. Recomendamos mais janelas antes de escolher entre dois modelos que diferem por menos de cerca de um décimo do MASE. Esse limiar é um julgamento a partir desta amostra, não uma medição.

Conheça os clientes que começam tarde

Última alteração na edição 2026.11.5

Um cliente do subconjunto começa tarde. A primeira leitura não nula de MT_115 é às 00:00 de 14 de janeiro de 2014. Antes disso, o medidor registra zeros, e os dados marcam essas horas com before_first_reading. Esses zeros não indicam baixo consumo. Um modelo que os lê aprende um nível que o cliente não tem. Um cliente que começa tarde é aquele cuja primeira leitura cai dentro do histórico que o modelo lê. A solução é a regra de início: uma série começa na sua primeira leitura. Isso importa para a decisão do fornecedor. Um nível puxado para baixo significa comprar pouco para esse cliente, o mais caro dos dois erros do fornecedor.

Nos cortes de dezembro, as oito semanas anteriores a cada um são todas leituras, por isso esta seção usa cortes de fevereiro: 1º de fevereiro de 2014, 15 de fevereiro de 2014 e 28 de fevereiro de 2014. Seus históricos de oito semanas ainda remontam a antes da primeira leitura, então o caso está neles. O Capítulo 6 aplica a mesma regra aos trinta clientes.

Um histórico que começa com zeros

Última alteração na edição 2026.11.5

Comece com o histórico bruto, as oito semanas anteriores a cada data de corte de fevereiro, com os zeros incluídos. A parcela de horas com zero nesse histórico é de 68% em 1º de fevereiro de 2014, 43% em 15 de fevereiro de 2014 e 20% em 28 de fevereiro de 2014. A parcela cai à medida que o corte passa da primeira leitura.

Iniciar o histórico na primeira leitura pode resolver o problema. Ajustando o AutoETS duas vezes em cada corte de fevereiro, uma vez nas oito semanas brutas e outra vez no histórico inicial, que começa na primeira leitura de MT_115, é possível verificar se isso acontece, avaliando as 24 horas após cada corte.

late-starter-trim.py Python 3.13.16 · numpy 2.5.5 · pandas 2.3.3 · statsforecast 2.1.1 · utilsforecast 0.2.17 Aprovado
"""Backtest AutoETS for MT_115, a late starter, on three February cutoffs: once on its raw eight weeks and once on its history from its first reading.The start-rule counts, printed first, and the three-window MAE lines are the figures the point rests on."""import numpy as npimport pandas as pdfrom statsforecast import StatsForecastfrom statsforecast.models import AutoETSfrom lib.backtest import history_beforefrom lib.electricity import loadfrom lib.quirks import fill_clock_change_hours, mask_clock_changesfrom lib.settings import HORIZON, SEED, SUBSET8, showfrom lib.starts import check_start_rule, history_from_startLATE = "MT_115"                                             # the one late starter in SUBSET8, first non-zero reading on Jan 14, 2014# February cutoffs: at the December cutoffs every hour of the history is a reading, so the rule changes nothing thereCUTOFFS = pd.to_datetime(["2014-02-01", "2014-02-15", "2014-02-28"])np.random.seed(SEED)                                        # the seed from lib/settings.py, set before any fitdropped, flagged = check_start_rule(load(SUBSET8))           # raises unless the rule drops exactly the flagged rows, so the counts agreeshow("start rule drops, SUBSET8", dropped)show("flagged before_first_reading, SUBSET8", flagged)masked = mask_clock_changes(load([LATE]))[["unique_id", "ds", "y", "quirk"]]def fit_and_score(hist, c):    """Fit AutoETS on one history, forecast the 24 hours from c, and score it on those hours."""    sf = StatsForecast(models=[AutoETS(season_length=24)], freq="h", n_jobs=1)    sf.fit(df=fill_clock_change_hours(hist)[["unique_id", "ds", "y"]])   # clock-change hours filled from their neighbouring hours, as elsewhere    fc = sf.predict(h=HORIZON)    actual = masked[(masked["ds"] >= c) & (masked["ds"] < c + pd.Timedelta(hours=HORIZON))]   # the day's 24 readings, to score against    joined = fc.merge(actual[["ds", "y"]], on="ds", how="left")    # the form's method name, the mean forecast, the day's MAE, and the mean of the readings    return sf.fitted_[0, 0].model_["method"], float(joined["AutoETS"].mean()), float((joined["y"] - joined["AutoETS"]).abs().mean()), float(joined["y"].mean())maes = {"raw": [], "start": []}for c in CUTOFFS:    raw_hist = history_before(masked, c)                     # the eight weeks before c, zeros included; it insists on exactly 1,344 rows    # the share of hours that read zero, including the leading zeros before the first reading    show(f"zero percent before {c:%Y-%m-%d}", round(100 * (raw_hist["y"] == 0).mean()))    # the start history begins at the first reading, so it is shorter wherever the client starts late    for label, hist in [("raw", raw_hist), ("start", history_from_start(masked, c))]:        form, fc_mean, window_mae, actual_mean = fit_and_score(hist, c)        show(f"{label} history hours {c:%Y-%m-%d}", len(hist))        show(f"{label} form {c:%Y-%m-%d}", form)        show(f"{label} mean forecast {c:%Y-%m-%d}", fc_mean)        show(f"{label} mean actual {c:%Y-%m-%d}", actual_mean)        show(f"MAE {label} {c:%Y-%m-%d}", window_mae)        maes[label].append(window_mae)for label in maes:    show(f"MAE {label}, three windows", np.mean(maes[label]))    show(f"MAE {label}, 2014-02-15 and 2014-02-28", np.mean(maes[label][1:]))   # [1:] skips Feb 1, the first cutoff
Saídapython late-starter-trim.py
start rule drops, SUBSET8: 9072
flagged before_first_reading, SUBSET8: 9072
zero percent before 2014-02-01: 68
raw history hours 2014-02-01: 1344
raw form 2014-02-01: ETS(A,N,N)
raw mean forecast 2014-02-01: 16.43
raw mean actual 2014-02-01: 24.06
MAE raw 2014-02-01: 8.81
start history hours 2014-02-01: 432
start form 2014-02-01: ETS(M,Ad,A)
start mean forecast 2014-02-01: 23.88
start mean actual 2014-02-01: 24.06
MAE start 2014-02-01: 3.72
zero percent before 2014-02-15: 43
raw history hours 2014-02-15: 1344
raw form 2014-02-15: ETS(A,N,A)
raw mean forecast 2014-02-15: 24.54
raw mean actual 2014-02-15: 27.11
MAE raw 2014-02-15: 4.29
start history hours 2014-02-15: 768
start form 2014-02-15: ETS(M,Ad,A)
start mean forecast 2014-02-15: 23.84
start mean actual 2014-02-15: 27.11
MAE start 2014-02-15: 4.77
zero percent before 2014-02-28: 20
raw history hours 2014-02-28: 1344
raw form 2014-02-28: ETS(A,N,A)
raw mean forecast 2014-02-28: 23.73
raw mean actual 2014-02-28: 23.54
MAE raw 2014-02-28: 2.93
start history hours 2014-02-28: 1080
start form 2014-02-28: ETS(M,Ad,A)
start mean forecast 2014-02-28: 22.48
start mean actual 2014-02-28: 23.54
MAE start 2014-02-28: 2.73
MAE raw, three windows: 5.34
MAE raw, 2014-02-15 and 2014-02-28: 3.61
MAE start, three windows: 3.74
MAE start, 2014-02-15 and 2014-02-28: 3.75

O dano está no nível, e é pior em 1º de fevereiro. O AutoETS ajusta o histórico bruto sem erro e faz a previsão sem aviso. Em 1º de fevereiro de 2014 ele escolhe a forma plana, ETS(A,N,N), e sua previsão tem média de 16.43 kWh por hora ao longo do dia. As leituras seguintes têm média de 24.06 kWh. O MAE nesse dia é de 8.81 kWh. A causa provável são os zeros: eles puxam o nível para baixo, e o modelo não consegue perceber que não são consumo.

Nos outros dois dias, os erros do histórico bruto são bem menores, de 4.29 kWh em 15 de fevereiro de 2014 e de 2.93 kWh em 28 de fevereiro de 2014. Assim, o dano depende de quantos zeros a janela contém. A regra está certa qualquer que seja a parcela de zeros, porque zeros iniciais não são consumo.

Comece cada série na sua primeira leitura

Última alteração na edição 2026.11.5

A regra de início afirma que uma série começa na sua primeira leitura. Ela descarta toda leitura anterior à primeira leitura não nula do cliente e mantém toda leitura posterior, zeros incluídos, porque os zeros depois do início representam consumo baixo real, e um modelo precisa deles. Uma janela que começa depois da primeira leitura mantém todas as suas horas, pois a regra remove apenas os zeros iniciais. A regra está em examples/lib/starts.py, de modo que os capítulos seguintes chamam o mesmo código. Sua função history_from_start(df, cutoff) retorna o histórico de um corte sob a regra: as leituras das oito semanas anteriores ao corte, a partir da primeira leitura. Ela encontra essa primeira leitura apenas com base nas linhas anteriores ao corte, de modo que nenhuma leitura posterior ao corte chega ao modelo. Ela levanta um erro se um cliente não tiver nenhuma leitura antes do corte, ou menos de 48 horas de histórico.

Antes de usar a regra, verifique se ela faz o que a flag indica. check_start_rule conta as linhas que a regra descartaria em toda a série e levanta um erro, a menos que essas linhas sejam exatamente as linhas marcadas com before_first_reading. No subconjunto, a regra descarta 9072 horas, e a flag marca 9072. Os números coincidem. O único cliente que começa tarde no subconjunto é MT_115.

A regra encurta mais o histórico no primeiro corte, 432 horas contra 1,344, e menos à medida que o corte avança além da primeira leitura: 768 horas em 15 de fevereiro e 1080 em 28 de fevereiro.

O histórico de início escolhe ETS(M,Ad,A) nos três cortes, uma forma com erro multiplicativo, tendência amortecida e sazonalidade aditiva. O histórico bruto muda de forma entre os dias: da forma plana em 1 de fevereiro para ETS(A,N,A) em 15 de fevereiro de 2014 e ETS(A,N,A) em 28 de fevereiro de 2014.

O MAE das três janelas cai de 5.34 kWh para 3.74 kWh. O ganho é desigual entre as janelas, e todo ele vem de 1 de fevereiro, onde o MAE cai de 8.81 para 3.72 kWh.

Em 15 de fevereiro a regra tem desempenho pior, e em 28 de fevereiro tem um desempenho um pouco melhor. Considerados esses dois dias em conjunto, o histórico bruto tem um desempenho ligeiramente melhor, com um MAE médio de 3.61 kWh contra 3.75.

Os ajustes mostram como a regra perde em 15 de fevereiro. O histórico de início ainda é curto, com 768 horas, e sua previsão com tendência amortecida fica abaixo do ajuste bruto: em média 23.84 kWh por hora, contra 24.54 do ajuste bruto, quando as leituras tiveram média de 27.11 kWh. Essa previsão baixa é o custo contra o qual o caso alerta. Um cliente e três dias são uma amostra pequena, de modo que os números ilustram a regra em vez de prová-la.

Regra prática: Quando o histórico de um cliente contém zeros, verifique se a sua primeira leitura não nula cai dentro do histórico. Se cair, aplique a regra de início antes que qualquer modelo veja o histórico, qualquer que seja a proporção de zeros, porque zeros iniciais não são consumo. Execute check_start_rule sobre a série inteira primeiro e, se ela falhar, descubra o motivo antes de cortar qualquer coisa. Imprima o tamanho do histórico em cada corte, porque um histórico curto é o primeiro sinal de que a regra removeu demais.

Por que o livro evita o ARIMA automático na sazonalidade 24

Última alteração na edição 2026.11.5

O AutoARIMA busca as ordens em vez de fixá-las. Ele executa uma busca passo a passo sobre ordens candidatas, escolhe a melhor pelo AICc, que é o seu padrão, e para após no máximo 94 modelos candidatos (statsforecast 2.1.1, statsforecast/models.py e a mensagem de parada em statsforecast/arima.py). Cada candidato é um ajuste completo de espaço de estados. Com uma sazonalidade de 24, cada candidato que tem termos sazonais na defasagem 24 é lento, e a busca testa dezenas deles, então leva muito mais tempo do que os ajustes deste capítulo.

Na configuração fixada pelo livro, com duas CPUs e statsforecast 2.1.1, uma janela para um cliente levou cerca de 75 segundos. Essa foi uma única execução sobre MT_014 no primeiro ponto de corte padrão. O subconjunto precisa de 24 dessas janelas, então um backtest dele levaria cerca de meia hora, contra os 45 segundos que o livro permite para um exemplo. Essa é a medição do próprio livro, não um exemplo nele, e depende da configuração, então meça o tempo na sua própria máquina antes de planejar uma agenda em torno dele. A ordem fixa custa um ajuste por janela, e essa é a diferença que importa aqui. Seu ponto fraco é um cliente cujo padrão difere das suposições da ordem. O backtest é a verificação para isso, e os escores da seção de comparação são o lugar para olhar.

Uma ordem fixa é um julgamento, não um resultado. Escolhemos (1,0,0)(1,1,0) com sazonalidade de 24 porque os dados têm um padrão diário e os backtests deste capítulo precisam de um modelo que termine. A ordem fica na chamada, onde o leitor pode vê-la e alterá-la. Capítulos posteriores comparam com ela nas mesmas janelas, então uma mudança na ordem aparece nos escores.

Regra prática: Não execute uma busca automática com sazonalidade de 24 em dados horários em uma agenda que retreina todo dia. Meça o tempo da busca em um cliente antes de se comprometer com ela. Se for lenta demais, fixe a ordem e teste essa ordem no backtest.

O que dá errado em produção

  • Uma estação ausente. Um comprimento de estação deixado em 1 gera um modelo sem padrão diário, e sem nenhum erro. O sinal é que todo cliente escolhe uma forma sem estação, como ETS(A,N,N). Alguns poucos clientes fazendo isso é outro caso: um ajuste sazonal que falha, que a verificação de forma plana na seção de suavização exponencial testa. Registre as formas escolhidas a cada reajuste.
  • Zeros de um cliente tardio. Um cliente que começa dentro do histórico tem seu nível puxado para baixo até que sua primeira leitura saia da janela. O sinal é uma previsão que fica baixa por dias após o início. Conte a proporção de zeros do histórico de cada cliente antes de cada reajuste, e aplique a regra de início a qualquer cliente cuja primeira leitura caia dentro do histórico.
  • Formas que mudam. A forma escolhida pode mudar entre reajustes para um mesmo cliente. Isso não está errado em si, mas uma troca de uma forma sazonal para uma forma sem estação merece conferência contra as leituras. Mantenha as formas no registro de execução.
  • Custos que se acumulam. Os ajustes escalam com clientes, vezes janelas, vezes reajustes. Calcule-os antes de acrescentar clientes a uma programação.
  • Intervalos que erram. Os intervalos do AutoETS cobriram 0.910 das horas nesta amostra, abaixo do nominal 0.95. O Capítulo 8 mostra como calibrar faixas em janelas anteriores, e enquanto uma faixa não for calibrada dessa forma, não a apresente como uma faixa de 95%.
  • Como você perceberia. Execute o naive sazonal ao lado de cada modelo estatístico nas janelas de cada dia, e registre a diferença de MASE. Uma diferença que muda de sinal de um dia para outro é o sinal para examinar o modelo, não um resultado a relatar.

Decisões tomadas neste capítulo

Última alteração na edição 2026.11.5
  • AutoETS com sazonalidade de 24. A execução com o padrão model="ZZZ" e a execução com sazonalidade forçada, model="ZZA", são ambas reportadas, porque uma escolha plana pode ser um ajuste sazonal malsucedido. Este capítulo não faz escolha entre as duas formas: a comparação com o corte padrão é reportada, não usada para escolher, e a escolha deve ser feita em janelas anteriores. O Capítulo 1 forçou ZZA no cliente principal, e este capítulo mostra a execução forçada para todos os oito.
  • Um ARIMA(1,0,0)(1,1,0)[24] fixo, sem busca. Trata-se de um juízo declarado, e o backtest é o que o testa.
  • Oito clientes, não trinta. O Capítulo 6 ajusta os trinta clientes com um único modelo. Um ajuste por cliente do AutoETS para os trinta, em três janelas, leva cerca de 97 segundos na configuração fixada, contra os 45 segundos que o livro permite para um exemplo; por isso este capítulo usa o subconjunto.
  • O subconjunto, os cortes e a escala. SUBSET8, os três cortes padrão, de 29 a 31 de dezembro de 2014, 1,344 horas de histórico, e o naïve sazonal como referência em todas as comparações. A escala do MASE lê cada cliente a partir da sua primeira leitura, deixando de fora as horas da mudança de horário.
  • As horas da mudança de horário. Todo exemplo do subconjunto as mascara e as preenche a partir do histórico, como o Capítulo 3 expõe. Nenhuma das três janelas contém hora de mudança de horário, portanto o mascaramento não altera previsão alguma nem hora pontuada. Ele altera a escala do MASE, pois a escala lê todo o histórico anterior a 29 de dezembro de 2014, e conta MT_115 a partir de 14 de janeiro de 2014.
  • Inícios tardios: cortes de fevereiro e a regra de início. Os cortes de dezembro não atendem ao início tardio de MT_115, por isso os cortes de fevereiro o atendem. O Capítulo 6 aplica a regra aos trinta clientes.
  • Cobertura apenas para as duas execuções do AutoETS. O backtest do ARIMA é avaliado aqui sem intervalos.
  • Nenhum valor ajustado citado. O script do ARIMA imprime apenas nomes de parâmetros, e a verificação da forma plana imprime apenas contagens. Os erros são arredondados para duas casas decimais, e a cobertura para três.
  • Uma referência estatística para o Capítulo 5. As pontuações por cliente do AutoETS e do ARIMA nessas janelas são a referência que o modelo de gradient boosting deve superar.
  • O que levar adiante. Uma forma plana pode ser um ajuste sazonal malsucedido, então leia as formas escolhidas ao lado de cada pontuação. MAE e MASE podem ordenar modelos de maneira diferente, então diga qual dos dois a decisão exige. Comece cada série na sua primeira leitura, e acrescente janelas antes de escolher entre modelos próximos.

Este capítulo, nesta edição

Edição 2026.11.11Exemplos aprovados em 20 de nov de 20266 de 6 exemplos exemplos deste capítulo passam

Traduzido do livro em inglês, edição 2026.11.11.

Citar esta seção

Formato

Cada formato cita o livro em inglês, que esta tradução acompanha.

Todos os formatos citam esta edição. Seu link abre a edição atual, em que o título de cada seção indica quando seu texto foi alterado pela última vez. As datas de acesso e de recuperação são o dia em que você abre esta página.

Nesta página

Capítulo 4 de 10: Ajuste um modelo estatístico para cada cliente

  1. Por que um modelo estatístico vem em seguida
  2. Ajuste de suavização exponencial
  3. Ajuste um ARIMA sazonal fixo
  4. Compare os modelos nos mesmos cortes
  5. Conheça os clientes que começam tarde
  6. Um histórico que começa com zeros
  7. Comece cada série na sua primeira leitura
  8. Por que o livro evita o ARIMA automático na sazonalidade 24
  9. O que dá errado em produção
  10. Decisões tomadas neste capítulo

Voltar ao topoTodos os capítulos