Preveja a demanda de amanhã

Cerca de 28 minutos min de leitura, com 3 exemplos em 7 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

Este capítulo constrói a primeira previsão da demanda de amanhã, e a linha de base simples que toda previsão posterior precisa superar. Você vai carregar a demanda horária de um cliente, prever o dia seguinte com uma linha de base sazonal ingênua e com um modelo estatístico, e avaliar os dois nos mesmos 7 dias. O resultado é propositalmente rudimentar: sem intervalos, sem ajuste de parâmetros e com um único cliente para julgar. Cada capítulo seguinte torna uma parte dele sólida. Você precisa de Python, pandas, da média de uma amostra e do que é um erro, e de mais nada; os termos centrais são definidos em uma linha na primeira vez em que aparecem.

A eletricidade de amanhã precisa ser comprada hoje, antes do início do dia, uma hora por vez. Quem a compra precisa de uma previsão de quanto os seus clientes vão consumir em cada uma dessas horas, e cada hora em que a previsão erra é uma hora em que a compra é planejada com o número errado. Por isso, duas perguntas vêm antes de se confiar em qualquer método. Uma previsão feita apenas a partir de leituras registradas antes do fechamento da compra fica próxima do que os clientes realmente consumiram? E ela é melhor do que a previsão mais simples que alguém poderia fazer, uma que simplesmente copia o dia anterior?

O caso e seus dados

Última alteração na edição 2026.11.11

Este livro acompanha um único caso do início ao fim: uma fornecedora de energia elétrica que compra energia com um dia de antecedência para os seus clientes, a qual chamamos de fornecedora.

A fornecedora assume seus compromissos de compra antes de o dia começar, e precisa de uma faixa de valores, e não apenas de um número único, porque comprar pouco custa mais do que comprar demais. Este livro constrói a previsão da qual essa compra parte. Aqui, uma previsão é a demanda esperada de um cliente em cada hora, feita a partir de leituras registradas antes de a previsão ser feita.

Três termos definem o que é uma previsão. O momento em que uma previsão é feita é o seu corte. Uma previsão usa apenas as leituras anteriores ao seu corte, e se estende para a frente por um número fixo de horas, o seu horizonte. Uma janela é um corte com o seu horizonte e a previsão que ele produz. Aqui o horizonte é de 24 horas, de modo que cada janela cobre um dia: as 24 horas que começam no seu corte.

O momento importa tanto quanto o método. Cada janela deste livro tem o seu corte às 00:00 do dia que ela prevê, de modo que a última leitura que ela pode usar é a das 23:00 do dia anterior. A fornecedora compra antes de o dia começar, então um corte à meia-noite é uma simplificação. O livro a mantém para que cada janela precise apenas do dia anterior. Uma fornecedora que comprasse mais cedo cortaria mais cedo e faria previsões com mais antecedência. Uma previsão que lesse uma hora além do seu corte usaria informação que a fornecedora não tem no momento da compra, e a sua pontuação ficaria artificialmente boa.

Os dados são públicos. Trata-se do conjunto ElectricityLoadDiagrams20112014, do UCI Machine Learning Repository, de Trindade (2015), com o DOI 10.24432/C58C86. Ele é licenciado sob CC BY 4.0. O livro traz um recorte dele, electricity_hourly.csv.gz, com a licença ao lado, na mesma pasta. A ficha dos dados informa a fonte, o recorte e os seus limites.

O arquivo bruto contém 370 clientes, com uma leitura a cada 15 minutos. O recorte calcula a média das quatro leituras de cada hora, o que dá a energia usada naquela hora em kWh, e mantém dois anos completos, 2013 e 2014. Um cliente, MT_223, não tem nenhuma leitura diferente de zero nessa janela, e por isso o recorte o descarta. Os 369 clientes restantes são ordenados pelo id, e 30 são mantidos em posições igualmente espaçadas. Um leitor que recorte o arquivo bruto deve descartar MT_223 e tomar as mesmas 30 posições igualmente espaçadas, ou os números deste livro não baterão.

Os clientes têm ids anônimos, como MT_014. O conjunto de dados não diz o que eles são, então o livro os chama de clientes. Não os descreve como empresas ou residências.

Dois grupos de clientes reaparecem ao longo do livro. Os trinta clientes são todos os clientes do recorte. Os 8 clientes de SUBSET8 são todo quarto cliente dos trinta, começando pelo segundo. Capítulos posteriores usam esse subconjunto onde uma execução completa levaria tempo demais, e ele inclui um cliente que começa tarde. O cliente principal, MT_014, é o primeiro cliente de SUBSET8. Este capítulo e os seus exemplos de cliente único o utilizam.

O período de teste é a última semana de 2014, de 25 a 31 de dezembro de 2014. As previsões deste capítulo são avaliadas nesse período, que é chamado de semana reservada. Cada previsão usa apenas leituras anteriores ao seu corte, de modo que nenhuma previsão aprende com o dia que prevê. A semana não é tranquila. O dia 25 de dezembro de 2014 é o Natal, feriado nacional em Portugal, cujo fuso horário é o dos dados. Este capítulo avalia a semana como ela é, e as pontuações mostram o efeito do feriado. O Capítulo 5 testa um indicador de feriado nas janelas de feriado e não o mantém, então o livro não corrige o feriado aqui. O capítulo 10 mostra o seu custo.

Uma previsão diz qual a demanda provável. Ela não diz por quê. Os dados registram quanto cada cliente usou. Eles não podem dizer qual teria sido a demanda sob um preço ou contrato diferente. Isso é uma questão causal, e exige um desenho diferente.

Regra prática: Confira o recorte com a ficha dos dados antes de fazer qualquer previsão. O arquivo deve conter 30 clientes, e o exemplo conta quantos deles têm dois anos completos de linhas horárias. Essas contagens devem bater com a ficha. Confirme que MT_223 está ausente e explicado. Um recorte que não bate com a ficha são dados diferentes, e todo número calculado a partir dele descreve esses dados, e não os deste livro.

Carregar a demanda horária de um cliente

Última alteração na edição 2026.11.5

Uma série temporal é uma sequência de leituras em ordem cronológica. No arquivo do livro, cada linha é um cliente em uma hora, e as horas de cada cliente estão em ordem cronológica. Para carregar um cliente, mantenha as linhas desse cliente. A função auxiliar load, em examples/lib/electricity.py, faz isso e retorna quatro colunas. unique_id identifica o cliente. ds é a hora. y é a energia usada nessa hora, em kWh. quirk indica se a linha precisa de tratamento especial.

A coluna ds é o início da hora, no horário local, sem fuso horário. A ficha de dados fornece esse rótulo, e os exemplos do livro tratam o índice como um único índice horário ingênuo. O valor de quirk em cada linha é um de quatro rótulos:

  • normal é uma hora comum.
  • before_first_reading é uma hora anterior à primeira leitura não nula de um cliente. Somente um cliente que começa tarde tem essas linhas.
  • clock_change_gap é 01:00 em um dia de mudança de horário de março. A nota do conjunto de dados diz que ela registra zero para todos os clientes. A ficha de dados a mede: de 57 dessas horas com vizinhos não nulos, 55 registram menos de 5% do valor delas.
  • clock_change_repeat é 01:00 em um dia de mudança de horário de outubro. Ela contém cerca de duas horas de energia sob um único rótulo.

O livro mantém cada valor como o medidor o registrou. Nada é preenchido, suavizado, removido ou reescalonado. Um zero em uma hora de lacuna e uma hora de outubro duplicada continuam, portanto, no arquivo, sinalizados mas não corrigidos. O Capítulo 3 decide o que cada linha sinalizada significa para um modelo. Este capítulo só precisa saber que os rótulos existem e verificar que nenhum deles cai dentro das janelas que ele avalia.

O cliente principal tem leituras em todas as horas da janela, então nenhuma de suas linhas é before_first_reading. Ao longo dos dois anos ele tem 17516 linhas comuns. Tem 2 linhas de lacuna e 2 linhas de repetição, uma de cada tipo por ano.

load-lead-client.py Python 3.13.16 · numpy 2.5.5 · pandas 2.3.3 · utilsforecast 0.2.17 Aprovado
"""Loads the lead client's hourly demand, counts its quirk labels, and checks the eight-week history before eachheld-out cutoff. The point rests on the last printed line: no history holds a clock-change row."""from lib.backtest import held_out_cutoffs, history_beforefrom lib.electricity import loadfrom lib.settings import LEAD, showdef fmt(ts):    return ts.strftime("%Y-%m-%d %H:%M")FULL_ROWS = 2 * 365 * 24  # two years of hours; 2013 and 2014 are not leap yearseveryone = load()show("clients in the file", everyone["unique_id"].nunique())show(f"clients with {FULL_ROWS} rows", int((everyone.groupby("unique_id").size() == FULL_ROWS).sum()))df = load([LEAD])show("rows", len(df))show("first reading", fmt(df["ds"].min()))show("last reading", fmt(df["ds"].max()))for quirk in ["normal", "before_first_reading", "clock_change_gap", "clock_change_repeat"]:    show(f"{quirk} rows", int((df["quirk"] == quirk).sum()))# history_before keeps the HISTORY_HOURS hours (eight weeks) before each cutoff, and raises if a count is off.windows = [history_before(df, cutoff) for cutoff in held_out_cutoffs()]show("history rows per window", min(len(w) for w in windows))show("longest history rows", max(len(w) for w in windows))show("first history reading", fmt(windows[0]["ds"].min()))# Counts only the two clock-change labels.show("clock-change rows in held-out histories",     sum(int(w["quirk"].isin(["clock_change_gap", "clock_change_repeat"]).sum()) for w in windows))
Saídapython load-lead-client.py
clients 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

O arquivo contém 30 clientes. O cliente principal tem 17520 linhas, de 2013-01-01 00:00 a 2014-12-31 23:00.

Dois anos de horas são 17520 linhas para cada cliente, e 30 de 30 clientes têm exatamente esse número, portanto nenhuma hora está ausente do arquivo para esses clientes. Uma janela com menos horas do que seu histórico deveria conter tem uma lacuna, e a lacuna seria a primeira coisa a explicar. Confira a quantidade de clientes e de linhas com a ficha de dados.

Uma previsão precisa de histórico. O histórico adotado pelo livro é de 8 semanas, que equivale a 1344 horas, e cada ponto de corte da semana de avaliação reservada recebe exatamente essa quantidade antes de si. O histórico mais curto tem 1344 linhas, e o mais longo tem 1344.

Para o primeiro ponto de corte da semana reservada, o histórico começa em 2014-10-30 00:00. Essa data é posterior à mudança de horário de 26 de outubro de 2014, que a ficha de dados registra. Assim, nenhum dos 7 históricos contém uma hora de mudança de horário, e o exemplo conta 0 linhas de mudança de horário nos sete.

Pelo mesmo motivo, o restante deste capítulo pode deixar as linhas de mudança de horário de lado. O Capítulo 3 as apresenta, e o Capítulo 4 apresenta o cliente que começa tarde.

Regra prática: Escolha primeiro o cliente e a janela, e então conte as irregularidades no histórico dessa janela antes que qualquer modelo o veja. Se um histórico contiver um rótulo de mudança de horário ou uma linha before_first_reading, não o entregue a um modelo sem alteração, porque o modelo lerá o valor do rótulo como demanda. O Capítulo 3 e o Capítulo 4 dão as regras para essas linhas. Uma janela que não contém nenhuma das duas pode usar suas linhas como estão, como faz este capítulo.

Preveja o dia seguinte com o método sazonal ingênuo

Última alteração na edição 2026.11.5

A primeira previsão é a mais simples de fazer, e toda previsão posterior precisa superá-la. Ela usa o corte e o horizonte do caso definidos em o caso e seus dados, e o histórico que carregar um cliente descreve.

O sazonal ingênuo afirma que cada valor futuro é igual ao último valor observado no mesmo período sazonal. Hyndman e Athanasopoulos o definem para um período sazonal de qualquer tamanho m: a previsão de um valor futuro é o valor observado um período sazonal antes (Hyndman e Athanasopoulos, Previsão: Princípios e Prática, cap. 5). Com dados horários e ciclo diário, o período sazonal é de 24 horas, de modo que a previsão para uma hora de amanhã é a leitura na mesma hora de hoje. Na notação deste livro, a previsão para a hora t é y(t - 24).

Nada nesta regra é ajustado. A previsão é uma cópia dos dados, por isso não precisa de etapa de estimação. Ela nunca lê além do seu corte, qualquer que seja o corte. Para cada hora, do corte até 23 horas depois dele, t - 24 cai entre 24 horas antes do corte e a hora anterior a ele, de modo que a cópia usa apenas o histórico.

A semana reservada para teste tem 7 janelas, uma para cada dia de 25 a 31 de dezembro de 2014, cada uma feita às 00:00. A pergunta do fornecedor é a demanda de amanhã para MT_014. Para 25 de dezembro, a previsão copia as leituras de 24 de dezembro em cada hora, e a mesma regra dá a cada um dos outros dias da semana sua previsão a partir do dia anterior.

Tome a janela das 00:00 de 25 de dezembro como caso trabalhado. Sua previsão para as 00:00 de 25 de dezembro é a leitura das 00:00 de 24 de dezembro, e sua previsão para as 23:00 de 25 de dezembro é a leitura das 23:00 de 24 de dezembro. Das 1344 horas do seu histórico, este método usa apenas as últimas 24, porque a função _seasonal_naive do statsforecast repete o último período sazonal de valores (statsforecast 2.1.1, statsforecast/utils.py). O exemplo ainda passa por todas elas, porque a mesma chamada atende aos modelos que usam mais do histórico, e uma chamada com um único tamanho de histórico é uma forma a aprender, não duas.

Por que um dia e não uma semana? Um período de 168 horas copiaria a mesma hora do mesmo dia da semana anterior, que é outra linha de base válida para uma série com ritmo semanal. Este capítulo usa o período diário porque a pergunta é o dia seguinte, e porque a previsão do dia à frente é a que o caso exige.

seasonal-naive-next-day.py Python 3.13.16 · numpy 2.5.5 · pandas 2.3.3 · statsforecast 2.1.1 · utilsforecast 0.2.17 Aprovado
"""Forecasts the lead client's next day with seasonal naive for each day of the held-out week, then scores it.The point rests on the MAE and RMSE lines, which score a copy of yesterday, and on the missing forecasts line."""import pandas as pdfrom statsforecast import StatsForecastfrom statsforecast.models import SeasonalNaivefrom lib.backtest import forecast_windows, held_out_cutoffs, scoring_counts, score_windows, window_maefrom lib.electricity import loadfrom lib.settings import HORIZON, LEAD, showdef day_mean(day):    return df[df["ds"].dt.normalize() == pd.Timestamp(day)]["y"].mean()# statsforecast reads a frame with three columns: the series id, the time and the value.df = load([LEAD])[["unique_id", "ds", "y"]]# season_length 24 is the daily cycle of hourly data; freq "h" is pandas' code for hourly steps; one job runs in one process.sf = StatsForecast(models=[SeasonalNaive(season_length=24)], freq="h", n_jobs=1)forecasts = forecast_windows(sf, df, held_out_cutoffs())scores = score_windows(df, forecasts, "SeasonalNaive")counts = scoring_counts(df, forecasts, "SeasonalNaive")show("horizon hours", HORIZON)show("windows", counts["windows"])show("scored hours", counts["scored_hours"])show("missing forecasts", counts["missing_forecasts"])# The readings at the forecast hours, which are the hours the scores cover.show("mean demand", df[df["ds"].isin(forecasts["ds"])]["y"].mean())show("mean demand 2014-12-24", day_mean("2014-12-24"))show("mean demand 2014-12-25", day_mean("2014-12-25"))show("MAE", scores["mae"])show("RMSE", scores["rmse"])for day, mae_day in window_mae(df, forecasts, "SeasonalNaive").items():    show(f"MAE {day:%Y-%m-%d}", mae_day)# The check is run on a history with one hour removed, to show it refuses a short history.cutoff = held_out_cutoffs()[0]gap = df[df["ds"] != cutoff - pd.Timedelta(hours=1)]  # drops the hour just before the first cutofftry:    forecast_windows(sf, gap, [cutoff])  # history_before raises ValueError unless every client has exactly HISTORY_HOURS rows before the cutoff.    refused = "no"except ValueError:    refused = "yes"show("history with one hour removed refused", refused)
Saídapython seasonal-naive-next-day.py
horizon 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 previsão é avaliada contra as leituras que vieram depois, e cada uma das 168 horas avaliadas tem uma previsão. Essas horas têm média de 46.62 kWh, o nível contra o qual todo erro deste capítulo deve ser lido.

O sazonal ingênuo é uma linha de base, e quando um ciclo diário domina a série ele pode ser uma linha de base forte. Sua fraqueza é que copia um único dia. Um dia incomum torna-se a previsão do seguinte, e o método não tem como compensá-lo.

Regra prática: Mantenha o sazonal ingênuo em todas as comparações para uma série horária com ciclo diário. Ele não precisa de ajuste, então roda em todas as janelas sem custo extra. Um modelo que não supere o sazonal ingênuo nas mesmas janelas não justificou seu trabalho extra. Verifique se as previsões têm valores ausentes antes de ler a pontuação, porque uma leitura ausente no último período sazonal se torna uma previsão ausente. O capítulo 3 dá a regra para preencher essas horas antes de qualquer modelo rodar.

Preveja o dia seguinte com um modelo

Última alteração na edição 2026.11.11

A linha de base acima responde o que uma previsão obtém sem nenhum modelo. A pergunta aqui é se um modelo ajustado se sai melhor nas mesmas 7 janelas, e o modelo é o AutoETS. O statsforecast 2.1.1 descreve o AutoETS como a seleção da melhor forma ETS (erro, tendência e sazonalidade) com um critério de informação (statsforecast/models.py, classe AutoETS). O critério usado pelo AutoETS é o AICc, o critério de informação de Akaike corrigido para amostras pequenas. Ele é definido em ets_f, em statsforecast/ets.py, e AutoETS não oferece nenhum outro.

A cadeia model define as formas que o modelo pode assumir, com uma letra cada para erro, tendência e sazonalidade. Z deixa o AICc escolher, e A fixa a forma como aditiva. Este capítulo usa ZZA: o AICc escolhe o erro e a tendência, e a sazonalidade é aditiva, de modo que todo candidato tem um ciclo diário. O padrão, ZZZ, também deixa o AICc escolher a sazonalidade. Nesse cliente e nesses 7 cortes, ele não escolheu sazonalidade em nenhuma janela, uma forma plana, ETS(A,N,N), de modo que sua previsão é um único valor repetido para o dia. Este capítulo pergunta se um modelo com o ciclo diário supera uma cópia de ontem, por isso não usa essa forma. Outras formas sazonais pontuam de forma diferente nesta semana, e o Capítulo 4 analisa as formas e a escolha.

Um ajuste faz três coisas, e cada uma importa para o significado da pontuação. Em um corte, o AutoETS lê as 1344 horas anteriores a ele e compara as formas candidatas, mantendo a de menor AICc. O AICc recompensa um bom ajuste ao histórico e cobra por cada parâmetro que a forma usa, de modo que uma forma com mais parâmetros precisa se ajustar muito melhor para vencer. Em seguida, o modelo projeta essa forma 24 horas à frente. A semana de teste, portanto, significa 7 seleções separadas, e não uma só. Nesta semana, 7 janelas escolheram ETS(A,N,A): erro aditivo, sem tendência e uma sazonalidade diária aditiva. Os 7 ajustes ainda diferem em seus parâmetros. O livro não os apresenta, pois cada um é um detalhe de um ajuste, e o leitor não deve tomá-lo como um resultado.

A comparação só é justa se nada mais mudar. Ela usa os mesmos 7 cortes e as mesmas 1344 horas de histórico antes de cada um, e reajusta o modelo em cada corte usando apenas o histórico anterior a esse corte. Só o modelo difere da linha de base.

autoets-next-day.py Python 3.13.16 · numpy 2.5.5 · pandas 2.3.3 · statsforecast 2.1.1 · utilsforecast 0.2.17 Aprovado
"""Forecasts the lead client's next day with AutoETS for each day of the held-out week, then scores it.The point rests on the MAE and RMSE lines, read against the seasonal naive example, and on the form counts."""import numpy as npfrom statsforecast import StatsForecastfrom statsforecast.models import AutoETSfrom lib.backtest import chosen_forms, forecast_windows, held_out_cutoffs, scoring_counts, score_windows, window_maefrom lib.electricity import loadfrom lib.settings import HORIZON, LEAD, SEED, show# Seeded by convention. AutoETS's point forecast draws no random numbers, so this line changes nothing here.np.random.seed(SEED)# statsforecast reads a frame with three columns: the series id, the time and the value.df = load([LEAD])[["unique_id", "ds", "y"]]# model="ZZA": AICc chooses the error and trend forms; the seasonal form is fixed to additive, so every form has a day cycle.sf = StatsForecast(models=[AutoETS(season_length=24, model="ZZA")], freq="h", n_jobs=1)forecasts = forecast_windows(sf, df, held_out_cutoffs())scores = score_windows(df, forecasts, "AutoETS")counts = scoring_counts(df, forecasts, "AutoETS")# chosen_forms refits at each cutoff to read the form each fit picked; the forecasts above do not report it.forms = chosen_forms(sf, df, held_out_cutoffs())show("horizon hours", HORIZON)show("windows", counts["windows"])show("scored hours", counts["scored_hours"])show("missing forecasts", counts["missing_forecasts"])for form, n in forms.items():    show(f"windows that chose {form}", n)show("MAE", scores["mae"])show("RMSE", scores["rmse"])for day, mae_day in window_mae(df, forecasts, "AutoETS").items():    show(f"MAE {day:%Y-%m-%d}", mae_day)
Saídapython autoets-next-day.py
horizon 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

As contagens coincidem com as da linha de base, de modo que as duas pontuações cobrem as mesmas 168 horas, e todas as 7 janelas escolheram a mesma forma. O modelo faz 7 ajustes, um em cada corte, e cada um vê apenas o que era conhecido em seu corte. A próxima seção coloca as pontuações lado a lado.

Regra prática: Adicione um modelo apenas com uma linha de base que ele precise superar nas mesmas janelas. Reajuste o modelo em cada corte, usando somente o histórico anterior a esse corte. Um modelo ajustado uma única vez sobre a série inteira e depois pontuado nessa mesma série já viu as respostas, e sua pontuação não é uma pontuação de previsão.

Pontue os dois em uma semana de teste

Última alteração na edição 2026.11.11

Os dois exemplos já fizeram 7 previsões de um dia à frente, a partir das duas seções acima. Uma pontuação transforma os erros de um conjunto de previsões em um único número. O erro de uma hora é a demanda real menos a previsão. Este capítulo usa duas pontuações. O erro absoluto médio, MAE, é o tamanho médio do erro: MAE = mean(abs(actual - forecast)). A raiz do erro quadrático médio, RMSE, é RMSE = sqrt(mean((actual - forecast)^2)). As duas estão em kWh, e respondem a perguntas diferentes. Hyndman e Athanasopoulos, em Forecasting: Principles and Practice, cap. 5, observam que uma previsão que minimiza o MAE é uma previsão da mediana, e uma que minimiza o RMSE é uma previsão da média. Como o RMSE eleva cada erro ao quadrado, alguns erros grandes elevam o RMSE mais do que elevam o MAE.

Ambas as pontuações vêm do utilsforecast (0.2.17). Seu mae é a média dos erros absolutos, e seu rmse é a raiz quadrada da média dos erros elevados ao quadrado (utilsforecast/losses.py, funções mae e rmse). As pontuações agregam as 168 horas avaliadas. Cada hora conta uma vez, e cada uma das 7 janelas contribui com 24 delas.

Leia a tabela em relação à demanda média de 46.62 kWh por hora: um número menor significa previsões mais próximas das leituras.

Modelo MAE (kWh) RMSE (kWh)
SeasonalNaive 8.36 10.87
AutoETS 8.86 10.91

Os erros do AutoETS são maiores que os da linha de base nas duas pontuações, como mostra a tabela, com MAE de 8.86 kWh contra 8.36. O MAE é o número para planejar, porque é o erro típico em cada hora. O RMSE é sempre pelo menos igual ao MAE. Para erros normais, o RMSE é cerca de 1.25 vez o MAE (erros com distribuição normal), portanto uma razão bem acima disso indica alguns erros grandes. Esta seção lê as duas pontuações juntas e não avança além disso, porque um cliente em uma semana não pode mostrar a dispersão dos erros.

Os dois modelos vão pior perto do Natal, mas em dias diferentes. As linhas diárias mostram onde: o pior dia da linha de base é 26 de dez., o dia depois do Natal, quando ela copia o dia 25, com 12.16 kWh por hora, o maior dos 7. O pior dia do AutoETS é o próprio dia 25 de dez., com 13.51 kWh, contra 9.41 da referência. Uma diferença deste tamanho, em um cliente e uma semana, não é um veredito. Sete previsões formam uma amostra pequena, e um ranking baseado em uma semana pode se inverter na seguinte. O capítulo 3 faz backtest da sazonal ingênua ao longo de um ano de cortes aos domingos.

A pontuação também precisa corresponder à decisão, e a compra é assimétrica: como o caso diz, comprar de menos custa mais do que comprar de mais. MAE e RMSE tratam um erro para cima ou para baixo da mesma forma, porque usam o tamanho de cada erro e não o seu sinal. Isso basta para este capítulo, que pergunta se uma previsão está próxima. Não basta para a compra. O capítulo 8 constrói intervalos para essa decisão e os pontua contra o que aconteceu.

Regra prática: Pontue cada modelo com previsões feitas sem as horas avaliadas em seu histórico, ao longo de mais de um dia, e informe o número de janelas e horas por trás de cada pontuação. Compare modelos apenas nas mesmas janelas. Leia o MAE e o RMSE juntos. Se eles discordarem sobre qual modelo é melhor, examine os maiores erros nas janelas antes de escolher, porque alguns poucos erros grandes podem decidir o resultado.

O que dá errado em produção

Última alteração na edição 2026.11.11

As previsões e as pontuações acima podem falhar de 5 maneiras, e apenas algumas delas imprimem um erro. A regra de corte e a regra do ingênuo sazonal dizem o que cada janela deve conter.

A primeira falha é um rótulo deslocado em uma hora, e nenhuma pontuação deste capítulo a detecta. Se você tomar ds como o fim da hora a que ele se refere, e não o início, as previsões e as leituras com que elas são comparadas carregam o mesmo deslocamento, e a pontuação não muda. O erro está na compra: a previsão cobriria horas diferentes daquelas para as quais o fornecedor compra. O cartão de dados fixa o rótulo, por isso é a primeira coisa a verificar quando uma previsão é transferida para novos dados.

Vazamento favorece uma janela cujo histórico inclui as horas que ela prevê, e nada na pontuação indica isso. Hewamalage, Ackermann e Bergmeir (2022) alertam que a avaliação de origem móvel está sujeita a esse vazamento quando não é feita com cuidado. As verificações aqui são a regra de corte e o comprimento do histórico. Cada histórico deve terminar antes do seu corte e conter 1344 linhas. history_before gera um erro quando um histórico é curto ou longo. Um histórico com uma hora removida é recusado: a verificação no final do exemplo de sazonalidade ingênua imprime yes para ele.

A sazonalidade ingênua copia o dia anterior, de modo que um dia incomum se torna a previsão de amanhã, e a semana reservada contém um desses dias. O dia 25 de dezembro de 2014 é o Natal, e a demanda média do cliente principal naquele dia é de 38.40 kWh por hora, contra 47.58 kWh em 24 de dezembro. A janela de 26 de dezembro copia esse dia, por isso tem o maior MAE entre as 7 janelas, 12.16 kWh. Essa é a falha, e as pontuações a mostram. Um único feriado é pouco para medir um efeito de feriado, por isso o livro o deixa de lado, como explica o caso e seus dados. O capítulo 10 mostra o seu custo.

Uma leitura ausente passa sem verificação. A sazonalidade ingênua do statsforecast não valida a sua entrada. Ela repete os valores da última temporada, de modo que um valor ausente nessa temporada se torna uma previsão ausente (statsforecast 2.1.1, statsforecast/utils.py, função _seasonal_naive). O exemplo de sazonalidade ingênua conta as previsões ausentes, 0 aqui, porque um buraco na previsão é uma hora que a pontuação não descreve. O capítulo 3 preenche as horas que precisam ser preenchidas, a partir de dados anteriores ao corte, antes de qualquer modelo ser executado.

Por fim, a própria janela pode favorecer o método. Uma semana sem dias incomuns pode fazer quase qualquer previsão parecer boa, e uma semana com um desses dias pode fazer todas as previsões parecerem ruins. A semana reservada tem um feriado e, ainda assim, é apenas uma semana para um cliente, de modo que suas pontuações descrevem mais aquela semana do que o método. A solução é a amplitude: compare modelos em várias janelas de tipos diferentes antes de confiar em um ranking.

Regra prática: Antes de confiar em uma pontuação, verifique três coisas nesta ordem: a primeira hora de previsão de cada janela é o seu corte, cada histórico termina antes do seu corte e contém o comprimento completo do histórico, e nenhuma previsão está ausente. As funções auxiliares geram um erro para as duas primeiras, e os exemplos imprimem a terceira. Uma pontuação só conta como um resultado depois que as três passam.

Decisões tomadas neste capítulo

Última alteração na edição 2026.11.5

Este capítulo tomou nove decisões. A maioria delas são configurações em examples/lib/settings.py, de modo que uma edição posterior que altere uma delas a altera em todos os capítulos que a utilizam. As demais estão indicadas na ficha de dados ou neste capítulo. O Capítulo 2 parte destas duas previsões e de suas duas pontuações, e pergunta se alguma delas é boa o bastante para embasar uma ação.

  • O corte de cada janela ocorre às 00:00 do dia que ela prevê, e o horizonte é de 24 horas, de modo que cada janela cobre esse dia.
  • O histórico anterior a cada corte é de 1344 horas, o que equivale a 8 semanas.
  • O cliente principal é MT_014. A semana reservada para teste vai de 25 a 31 de dezembro de 2014, com 7 janelas e 168 horas pontuadas.
  • As pontuações são MAE e RMSE, agregadas sobre essas horas pontuadas e impressas com duas casas decimais.
  • Os modelos são o naive sazonal com estação de 24 horas e o AutoETS com a string de modelo ZZA e estação de 24 horas. Cada execução usa statsforecast com um job. Nenhuma das previsões pontuais sorteia números aleatórios, de modo que a semente que o exemplo do AutoETS define, por convenção, não tem efeito sobre elas.
  • O corte elimina MT_223 e mantém 30 clientes, conforme explica a ficha de dados.
  • As linhas de mudança de horário e de clientes que começam tarde permanecem como estão, porque nenhum histórico deste capítulo as contém. O Capítulo 3 e o Capítulo 4 tratam delas.
  • Todo número citado no texto está vinculado a uma linha rotulada na saída registrada do exemplo correspondente, de modo que o texto e a saída não podem divergir sem que se perceba.
  • O capítulo constrói a previsão de um único cliente e nenhum intervalo. O Capítulo 8 é onde os intervalos começam.

Este capítulo, nesta edição

Edição 2026.11.11Exemplos aprovados em 20 de nov de 20263 de 3 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 1 de 10: Preveja a demanda de amanhã

  1. O caso e seus dados
  2. Carregar a demanda horária de um cliente
  3. Preveja o dia seguinte com o método sazonal ingênuo
  4. Preveja o dia seguinte com um modelo
  5. Pontue os dois em uma semana de teste
  6. O que dá errado em produção
  7. Decisões tomadas neste capítulo

Voltar ao topoTodos os capítulos