Faça o total fechar
Cerca de 27 minutos min de leitura, com 2 exemplos em 7 seções.
Traduzido com IA. Verificado por pessoas em inglês. Como fazemos os livros
Traduzido do livro em inglês, edição 2026.11.11. Leia o original
Você vai prever a demanda total de trinta clientes de duas maneiras, escolher entre as duas em janelas de decisão e dividir esse total em parcelas por cliente usando apenas o histórico anterior a cada data de corte.
O fornecedor fixa a sua única compra de energia para o dia seguinte em relação à demanda total de seus clientes, e não em relação a qualquer um deles isoladamente. O Capítulo 6 previu a demanda de cada cliente, e o total pode ser construído a partir dessas previsões ou previsto diretamente. Este capítulo pergunta se as duas abordagens concordam e qual delas merece confiança. Ambas são avaliadas nas mesmas janelas usadas anteriormente, para que a comparação seja justa. Os exemplos usam os clientes, as janelas e a escala do Capítulo 6, de modo que cada número aqui é impresso por um exemplo que você pode executar.
Por que o total precisa de uma verificação
Duas previsões de uma mesma grandeza podem divergir, porque são feitas por caminhos diferentes. Aqui a grandeza é a demanda total dos trinta clientes (ALL30) em cada hora. Um caminho soma trinta previsões de clientes. O outro ajusta um único modelo à série total. Ambos leem as mesmas medições, mas cada um falha à sua maneira. A soma transfere o erro de cada cliente para o total. O modelo do total enxerga apenas o padrão próprio do total, e os padrões separados dos clientes podem desaparecer dentro dele.
A verificação importa porque o fornecedor compra com base no total, e não em cada cliente, e um total pode errar mesmo quando cada cliente é bem previsto, se os erros dos clientes pendem para o mesmo lado na mesma hora. Por isso, o capítulo faz duas perguntas, nesta ordem. Primeiro, as partes somam o todo nos dados? Segundo, uma previsão do total é melhor do que a soma das partes nas janelas que importam?
Previsões que somam corretamente são chamadas de coerentes. O livro de Hyndman e Athanasopoulos, Forecasting: Principles and Practice, 3ª ed., capítulo 11, apresenta várias formas de torná-las coerentes, e duas interessam aqui. Bottom-up prevê o nível inferior, aqui os clientes, e soma os resultados. Top-down prevê o nível superior, o total, e o divide para baixo por proporções. Este capítulo usa os dois nomes apenas nesses sentidos.
A coerência é uma restrição, não uma medida de acurácia. Um total que soma corretamente ainda pode ser pior do que um que não soma. Por isso, este capítulo avalia o total e cada cliente separadamente, e nunca aceita uma previsão porque suas partes concordam.
O livro constrói os dois totais manualmente, em pandas, em vez de usar hierarchicalforecast. A hierarquia tem um único nível, então cada caminho é uma soma ou uma divisão, e o tempo de execução fica pequeno. Existe um método que combina os dois caminhos de forma ótima. O MinT escolhe as previsões coerentes que minimizam o erro quadrático médio dessas próprias previsões, sob a hipótese de não viés, e usa a matriz de covariância dos erros de previsão (Wickramasuriya, Athanasopoulos e Hyndman, 2019; um artigo de trabalho aberto está em robjhyndman.com/papers/mint.pdf). Estimar essa matriz é um projeto à parte, e este capítulo não o aborda.
Regra prática: Preveja o total das duas formas sempre que uma decisão depender dele. Avalie ambas nas mesmas janelas, contra o total e contra cada cliente. Mantenha o método que vence nas janelas de decisão, e nunca aceite um total só porque suas partes somam o todo.
Somar as previsões dos clientes
O total bottom-up é a soma, hora a hora, das trinta previsões dos clientes que o Capítulo 6 fez. Para cada ponto de corte, um único modelo global prevê cada cliente para as próximas 24 horas, com defasagens 24 e 168 e o identificador de cliente que o Capítulo 6 manteve. A previsão do total para uma hora é a soma dos trinta valores dessa hora. Com c um cliente e t uma hora, a regra é total(t) = sum over c of forecast(c, t).
A soma fecha por construção, por isso a checagem que importa é nos dados. A série total precisa ser igual à soma das trinta leituras em cada hora, ou todas as pontuações serão medidas contra o número errado. A exceção são as horas de mudança de horário. Uma marca de mudança de horário define a leitura de um cliente como ausente; assim, o total fica ausente às 01:00 de 31 de março de 2013 e de 30 de março de 2014, as horas de lacuna, e às 01:00 de 27 de outubro de 2013 e de 26 de outubro de 2014, as horas repetidas.
Todas as pontuações abaixo são medidas contra o total, portanto o total precisa coincidir com suas partes antes de tudo. O primeiro exemplo constrói os dois totais e os pontua, e suas últimas linhas verificam essa coincidência em cada hora sem mudança de horário.
1"""Forecasts the total of the thirty clients two ways, bottom-up (the sum of the client forecasts) and direct (one model on the2total), and chooses between them on the four decision windows by MAE on the total. The choice rests on the two decision-window3MAE lines; the standard cutoffs then report both beside seasonal naive, and the last two lines check the total and the scale."""4import pandas as pd56from lib.baselines import seasonal_scale7from lib.electricity import load8from lib.panel import ALL30, DECISION_CUTOFFS, check_decision_hours9from lib.scoring import actual_hours, score_windows10from lib.settings import EVAL_CUTOFFS, show11from lib.totals import (DIRECT_SCALED, METHODS, TOTAL, direct_windows, plain_mae, pooled_mae, total_checks,12 total_forecasts, total_frame, total_scale_rows)1314raw = load(ALL30)15total = total_frame(raw) # the hourly sum of the thirty clients, after the start rule; missing in a clock-change hour16dec, cut = pd.to_datetime(DECISION_CUTOFFS), pd.to_datetime(EVAL_CUTOFFS)1718dec_actual = actual_hours(total, dec)19# the direct model here uses the target setting the book chose: DIRECT_SCALED is False, so the direct total is unscaled20dec_mae = pooled_mae(dec_actual, total_forecasts(raw, dec), ["bottom-up", "direct"])21# the direct model's MAE with its target scaled (True) and unscaled (False)22direct_setting = {s: pooled_mae(dec_actual, direct_windows(raw, dec, scaled=s), ["direct"])["direct"]23 for s in (True, False)}24# stops the run if the constant no longer names the setting with the lower MAE25if direct_setting[DIRECT_SCALED] != min(direct_setting.values()):26 raise ValueError("DIRECT_SCALED is not the target setting with the lower MAE on the decision windows")27show("decision cutoffs", len(dec))28# raises if a decision hour is a Portuguese holiday or reaches the held-out week; the count is printed for the record29show("decision holiday hours", check_decision_hours(dec_actual))30show("MAE bottom-up, decision windows", dec_mae["bottom-up"])31show("MAE direct, decision windows", dec_mae["direct"])32show("MAE direct with a scaled target, decision windows", direct_setting[True])33show("chosen direct target", "unscaled" if not DIRECT_SCALED else "scaled")34# the bottom-up total without the client identifier, which Chapter 6 also tried35show("MAE bottom-up without identifier, decision windows", plain_mae(raw, dec))36show("chosen total method", dec_mae.idxmin())3738# the scale reads the readings before the first standard cutoff, and no later ones39scale = total_scale_rows(raw, cut[0])40scored, per_client = score_windows(actual_hours(total, cut), total_forecasts(raw, cut), METHODS, scale)41show("scored hours", len(scored))42# seasonal_scale returns one value per unique_id, so [TOTAL] picks the total's43show("MASE scale of the total", seasonal_scale(scale)[TOTAL])44for model in METHODS:45 show(f"MAE {model}", (scored["y"] - scored[model]).abs().mean())46for model in METHODS:47 show(f"MASE {model}", per_client.loc[TOTAL, model])48show("MAE bottom-up without identifier", plain_mae(raw, cut))49# the first cutoff is passed as first_cutoff; the scale check then runs on every cutoff in cut50for label, value in total_checks(raw, cut[0], cut).items():51 show(label, value)
python total-bottom-up-and-direct.pydecision cutoffs: 4
decision holiday hours: 0
MAE bottom-up, decision windows: 1267.47
MAE direct, decision windows: 1678.62
MAE direct with a scaled target, decision windows: 1705.71
chosen direct target: unscaled
MAE bottom-up without identifier, decision windows: 1383.29
chosen total method: bottom-up
scored hours: 72
MASE scale of the total: 2689.26
MAE SeasonalNaive: 3639.41
MAE bottom-up: 2985.88
MAE direct: 3423.11
MASE SeasonalNaive: 1.35
MASE bottom-up: 1.11
MASE direct: 1.27
MAE bottom-up without identifier: 2837.66
clock-free hours where the total differs from the sum of the thirty clients: 0
scale changes after poisoning readings from each scored cutoff: 0
Em toda hora sem marca de mudança de horário, o total é igual à soma dos trinta clientes. A checagem conta 0 horas em que há diferença.
As horas de mudança de horário exigem mais uma regra. O total fica ausente nessas horas, mas a previsão não. Cada janela de previsão ainda produz um valor para cada hora rotulada, de modo que a grade de saída não tem buracos que uma tabela posterior precisaria preencher. A pontuação recusa uma hora de previsão que não tenha leitura, portanto uma hora mascarada não pode ser pontuada como zero. Nenhuma janela avaliada neste capítulo contém uma dessas horas.
A regra de início se aplica a cada cliente antes da soma. Os zeros de um cliente recém-chegado antes de sua primeira leitura não são demanda, e a regra os descarta, como o Capítulo 4 mostrou para um cliente. A regra não altera o total, porque um zero não acrescenta nada a uma soma, e um cliente que ainda não começou também não contribui. A checagem acima mostra isso. A regra altera, sim, a previsão própria de cada cliente, porque um modelo ajustado a esses zeros aprenderia que eles representam baixo uso.
O total bottom-up herda os erros dos clientes, bons e ruins. O Capítulo 6 constatou que o modelo supera a referência sazonal ingênua para 23 dos trinta clientes nos pontos de corte padrão, e fica pior nos demais. A comparação mais adiante neste capítulo mede quanto desse erro chega ao total.
Só as médias se somam. A média de uma soma é a soma das médias, porque a esperança é linear. A mediana de uma soma não é, em geral, a soma das medianas, e o mesmo vale para outros quantis. Eles só se somam em casos especiais, como erros que se movem perfeitamente juntos. Por isso, o total bottom-up é uma previsão pontual. Uma faixa para o total não pode ser construída somando as faixas dos clientes. O Capítulo 8 volta a isso para os intervalos.
Regra prática: Some as previsões dos clientes hora a hora, depois de verificar que a série total é igual à soma de suas leituras em toda hora sem marca de mudança de horário. Aplique a regra de início a cada cliente antes da soma, para que nenhum modelo de cliente seja ajustado a seus zeros. Trate a soma como uma previsão pontual, e não tome a soma das medianas dos clientes como a mediana do total.
Preveja o total diretamente
O total direto é um modelo ajustado à própria série do total. Seu histórico é o histórico do total antes do corte: as leituras das 1,344 horas anteriores a ele, que correspondem a 8 semanas, o mesmo tamanho dos históricos dos clientes. O histórico de cada cliente é recortado pela regra de início, suas horas de mudança de horário são preenchidas a partir de seus vizinhos, como faz o Capítulo 3, e as leituras são somadas por hora. Por isso, o histórico do total não tem nenhuma hora faltando.
O modelo usa as features que os clientes usam. Suas entradas são as leituras do total 24 e 168 horas antes, de modo que nenhuma entrada vem do dia que está sendo previsto. Seu alvo é o total como ele é, sem escala. O Capítulo 6 escala o alvo de cada cliente, porque um único modelo sobre clientes de tamanhos diferentes ajustaria melhor os grandes. Um total único não tem essa mistura, então essa razão não se aplica aqui. Nas janelas de decisão, o alvo sem escala tem o menor erro, 1678.62 kWh contra 1705.71 kWh com o alvo escalado, como mostra o primeiro exemplo, por isso o modelo direto o utiliza. O modelo é ajustado uma vez por corte, somente com o histórico desse corte, e prevê as 24 horas seguintes. É um regressor LightGBM dentro do mlforecast 1.1.0, com as configurações do Capítulo 5.
Os dois totais diferem na forma como são construídos. O total bottom-up vem de um único modelo global que prevê cada cliente, e o total direto vem de um único modelo que prevê a soma. Os lags e as demais configurações são os mesmos. A escala do alvo difere, e as janelas de decisão a escolhem apenas para o modelo direto.
O total costuma ser mais suave do que qualquer cliente, porque os picos dos clientes se compensam parcialmente na soma. Um modelo ajustado a uma série mais suave tem menos ruído próprio a aprender, o que pode ajudar o total direto. A comparação mais adiante no capítulo verifica se isso acontece nessas janelas, e a resposta não é a que a suavidade sugere.
O modelo vê o total apenas por meio de seu histórico. Ele não vê de qual cliente veio uma leitura, nem qual cliente alterou o total. Essa é a troca que o método direto faz: obtém uma série suave e perde as formas separadas dos clientes. O método bottom-up mantém essas formas, mas precisa somar trinta erros.
O naive sazonal sobre o total é a referência que ambos devem superar. Ele prevê cada hora como a mesma hora do dia anterior, como no Capítulo 2, aplicado ao histórico do total. Ele é avaliado nas mesmas janelas e na mesma escala.
Regra prática: Preveja o total diretamente com as features dos clientes, a partir do histórico próprio do total antes de cada corte, e escolha a escala do alvo nas janelas de decisão. Use as mesmas janelas para os dois métodos e compare cada um com o naive sazonal sobre o total. Relate os dois métodos, e não apenas aquele que você construiu.
Compare os dois totais
Nas quatro janelas de decisão, o total bottom-up tem o erro menor, por isso é o método escolhido. Essas janelas são os quatro dias comuns do Capítulo 5 antes da semana reservada, usados apenas para escolher: 25 e 26 de novembro, e 2 e 3 de dezembro de 2014. O Capítulo 6 escolheu o identificador de cliente nesses mesmos dias. Cada método é avaliado pelo MAE no total, e o MAE do bottom-up ali é de 1267.47 kWh, contra 1678.62 kWh para o total direto. O exemplo se recusa a rodar se uma hora de decisão cair em feriado português, e conta 0 dessas horas.
Os cortes padrão, de 29 a 31 de dezembro de 2014, são o relatório. Eles não são usados para escolher. Nessas três janelas, o total tem 72 horas avaliadas. Sua escala do MASE é a média da variação absoluta entre leituras separadas por um dia, calculada sobre todas as leituras anteriores a 29 de dezembro de 2014, com as horas de mudança de horário mascaradas. Essa é a regra para uma escala do MASE do Capítulo 2, que o Capítulo 6 aplica a cada cliente, aqui aplicada ao total, e ela resulta em 2689.26 kWh.
| Método | MAE (kWh) | MASE |
|---|---|---|
| Sazonal ingênuo (seasonal naive) | 3639.41 | 1.35 |
| Bottom-up | 2985.88 | 1.11 |
| Direto | 3423.11 | 1.27 |
Aqui, MAE e MASE ordenam os métodos da mesma forma. O MAE está em quilowatt-hora, então se lê como o custo médio do erro de uma hora. O MASE divide cada erro pela mesma escala, por isso, em uma única série, ele é apenas um múltiplo constante do MAE. Sua utilidade está em comparar séries. O Capítulo 6 precisa dele para comparar clientes de tamanhos muito diferentes, e o total fica ao lado deles na mesma base.
Nos cortes padrão, o total direto supera o sazonal ingênuo no total, mas com uma margem menor do que a do total bottom-up, como mostra a coluna do MASE na tabela.
Um método vence nas janelas de decisão quando seu erro é menor ali, e os cortes padrão então confirmam ou contradizem isso. Para o total, os cortes padrão confirmam a escolha, já que o bottom-up é menor nos dois conjuntos de janelas. Essa concordância é a razão pela qual o capítulo recomenda o bottom-up para o total, com alguma confiança. A concordância só conta quando os dois conjuntos são separados, e são. As quatro janelas de decisão caem antes de 25 de dezembro de 2014, o primeiro dia da semana reservada, e os cortes padrão são os três últimos dias dessa semana. Nenhuma decisão lê um corte padrão.
É no identificador que os dois conjuntos de janelas discordam. Nas janelas de decisão, o total bottom-up sem o identificador tem um MAE de 1383.29 kWh, contra 1267.47 kWh com ele, de modo que o identificador reduz o erro do total ali, assim como o MASE por cliente do Capítulo 6 faz nas mesmas janelas. Nos cortes padrão, o total simples tem um MAE de 2837.66 kWh, e o total com o identificador tem 2985.88 kWh. Os cortes padrão, portanto, favorecem o total simples. O livro relata isso e não age a partir disso, porque o Capítulo 6 manteve o identificador no MASE por cliente, e são as janelas de decisão que escolhem. Um fornecedor que duvide das quatro janelas de decisão deve acrescentar janelas de decisão anteriores a 25 de dezembro de 2014 e decidir novamente com base nelas, não nos cortes padrão.
Regra prática: Escolha um método nas janelas de decisão, pela medida que você vai relatar. Relate a mesma medida nos cortes padrão, ao lado do sazonal ingênuo, com as horas avaliadas e a escala. Quando dois conjuntos de janelas discordam, relate ambos, diga quão distantes estão e não escolha aquele que lhe pareça melhor.
Dividir um total por participação
A divisão de cima para baixo parte do total direto e dá a cada cliente uma participação nele. A participação de um cliente são as suas leituras no próprio histórico, as 1,344 horas antes do ponto de corte, divididas pelas leituras do total no mesmo intervalo de horas. A previsão de cima para baixo de cada cliente para uma hora é a previsão do total direto para essa hora, multiplicada pela sua participação. Um cliente que forneceu um décimo do total nas últimas 8 semanas deve responder por um décimo do total no dia seguinte.
As oito semanas são uma escolha, não um valor ajustado. São o histórico que todos os outros modelos deste capítulo leem, de modo que a divisão usa a mesma memória que os clientes. Uma janela mais curta acompanharia uma mudança na participação de um cliente mais cedo, mas seria mais ruidosa. Este capítulo não mede essa troca. Um fornecedor que queira essa medida deve testá-la nas janelas de decisão.
O ponto fraco da divisão é o formato do dia. Ela dá a todos os clientes o perfil diário do total, de modo que um cliente cujo pico ocorre em outro horário recebe o perfil errado em todas as horas, por melhor que seja a previsão do total. Nesses clientes, a divisão perde mesmo com o total real em mãos. Uma verificação que este capítulo chama de verificação do oráculo aplica as participações ao total real, que nenhuma previsão pode conhecer, e seu MAE médio por cliente é 171.80 kWh. Essa é uma referência, não um método: o erro que a divisão teria com um total perfeito. A previsão de baixo para cima, que precisa prever cada cliente, tem MAE médio por cliente de 122.81 kWh.
As participações também são desiguais. No primeiro ponto de corte, 29 de dezembro de 2014, a participação do maior cliente no total é 0.56.
O working paper que define o MinT relata, citando Hyndman et al. (2011), que uma divisão de cima para baixo enviesa as previsões reconciliadas em cada nível, mesmo quando as previsões-base são não enviesadas (Wickramasuriya, Athanasopoulos and Hyndman, 2017). Este capítulo não refaz esse resultado. Ele mede a divisão nestes clientes, e a verificação do oráculo fornece uma referência para o erro da própria divisão.
Pontuar a divisão cliente a cliente, em comparação com a de baixo para cima nas mesmas janelas, mostra se ela vence para algum cliente individual, o que uma média não consegue mostrar. O segundo exemplo faz isso e executa a verificação de vazamento sobre as participações. Ele faz a escolha nas janelas de decisão primeiro e depois relata os pontos de corte padrão.
1"""Splits the direct total forecast into client forecasts, each client taking its share of the history before each cutoff2(top-down), and compares them with bottom-up on the same windows. The point rests on the mean per-client MASE and MAE lines;3the last line is a leak check that no share reads a reading after its cutoff."""4import pandas as pd56from lib.electricity import load7from lib.panel import ALL30, DECISION_CUTOFFS, check_decision_hours8from lib.settings import EVAL_CUTOFFS, show9from lib.totals import SPLIT_METHODS, client_mae, oracle_split_mae, shares, split_checks, split_scored1011raw = load(ALL30)12dec, cut = pd.to_datetime(DECISION_CUTOFFS), pd.to_datetime(EVAL_CUTOFFS)1314# the third value, the hours the top-down clients don't add up to the direct total (none, by construction), is unused15dec_scored, dec_per, _ = split_scored(raw, dec)16show("decision holiday hours", check_decision_hours(dec_scored))17show("mean per-client MASE bottom-up, decision windows", dec_per["bottom-up"].mean())18show("mean per-client MASE top-down, decision windows", dec_per["top-down"].mean())19show("chosen client method", dec_per.mean().idxmin())2021# the third value is discarded, as above22scored, per_client, _ = split_scored(raw, cut)23show("scored hours", len(scored))24mae = pd.DataFrame({m: client_mae(scored, m) for m in SPLIT_METHODS})25for model in SPLIT_METHODS:26 show(f"mean per-client MAE {model}", mae[model].mean())27for model in SPLIT_METHODS:28 show(f"mean per-client MASE {model}", per_client[model].mean())29show("clients where top-down has the lower MAE", int((mae["top-down"] < mae["bottom-up"]).sum()))30# the split applied to the actual total: a reference, since no forecast can know the total in advance31show("mean per-client MAE with the true total split by share", oracle_split_mae(raw, cut))32# the first standard cutoff, Dec 29, 2014; its shares read only the history before it33# shares read the 1,344 hours (8 weeks) before the cutoff34show("largest client share of the total, first cutoff", shares(raw, cut[0]).max())35# each cutoff's readings from the cutoff on replaced by zero, then by a very large value36for label, value in split_checks(raw, cut).items():37 show(label, value)
python total-split-by-share.pydecision holiday hours: 0
mean per-client MASE bottom-up, decision windows: 0.75
mean per-client MASE top-down, decision windows: 2.37
chosen client method: bottom-up
scored hours: 2160
mean per-client MAE bottom-up: 122.81
mean per-client MAE top-down: 218.95
mean per-client MASE bottom-up: 0.91
mean per-client MASE top-down: 2.59
clients where top-down has the lower MAE: 0
mean per-client MAE with the true total split by share: 171.80
largest client share of the total, first cutoff: 0.56
shares changed after poisoning readings from their cutoff: 0
Nas janelas de decisão, a de baixo para cima vence para os clientes, com MASE médio por cliente de 0.75 contra 2.37 para a de cima para baixo, por isso a de baixo para cima é escolhida.
Nos pontos de corte padrão, a divisão também é pior em erro em quilowatt-hora. Em 2160 horas-cliente, seu MAE médio por cliente é 218.95 kWh, contra 122.81 kWh para a de baixo para cima, e a de cima para baixo tem o MAE menor para 0 dos trinta clientes.
O MASE médio por cliente é 2.59 para a de cima para baixo, contra 0.91 para a de baixo para cima. O MAE agregado do Capítulo 6 para as mesmas previsões é 122.81 kWh, igual à média de 122.81 kWh da de baixo para cima. Isso não é coincidência, pois todos os clientes têm as mesmas 72 horas avaliadas, de modo que a média dos erros dos clientes é igual ao erro agregado.
Nenhuma participação se altera. Uma participação deve ler apenas o histórico anterior ao seu ponto de corte, então a verificação de vazamento altera cada leitura a partir de cada ponto de corte, uma vez para zero e outra para um valor muito grande, e recalcula as participações. Nas seis comparações (três pontos de corte por dois valores), 0 delas alteram uma participação. Se alguma participação tivesse lido uma leitura posterior ao seu ponto de corte, o valor grande teria entrado nela. As participações somam 1, e os clientes de cima para baixo somam o total direto em todas as horas, por construção. Uma identidade desse tipo não pode falhar, por isso o capítulo conta apenas a verificação de vazamento, o único teste aqui que pode falhar.
Regra prática: Divida um total por participação apenas como linha de base, ou quando os perfis diários dos clientes forem parecidos. Calcule cada participação a partir do histórico anterior ao seu ponto de corte, verifique que nenhuma participação se altera quando leituras posteriores ao seu ponto de corte mudam, e pontue cada cliente em comparação com a de baixo para cima na mesma escala. Mantenha a divisão para um cliente apenas quando ela vencer nas janelas de decisão.
O que dá errado em produção
A maioria das falhas neste capítulo é silenciosa.
A primeira é um total discretamente curto. Se um cliente sai da soma, o total fica menor que a demanda, e suas pontuações ainda parecem razoáveis. O total de baixo para cima deste livro gera um erro quando uma hora tem menos de trinta previsões de clientes. A regra de início recusa um cliente com histórico insuficiente em vez de pulá-lo, como o Capítulo 6 explica. Em produção, uma execução que constrói menos previsões do que há clientes deve parar e nomear o cliente ausente.
A segunda é a soma bruta. A hora repetida de outubro contém a energia de duas (Capítulo 3), então um total construído a partir de leituras brutas pode contar essa hora com cerca do dobro das vizinhas. O resultado é um pico de demanda que não existe. O total do livro mascara a hora, e a verificação do primeiro exemplo exclui as horas da mudança de relógio pelo mesmo motivo.
A terceira é uma divisão que lê o futuro. Uma divisão cujas parcelas usam as próprias leituras da janela pontua melhor em um teste retroativo do que pontuará em produção. A verificação de envenenamento é o teste. Uma parcela não deve mudar quando as leituras posteriores ao seu ponto de corte mudam. Uma execução de produção deve manter as duas verificações, a verificação de parcelas no segundo exemplo e a verificação de escala no primeiro, como testes que falham de maneira explícita.
A quarta é uma decisão e um relatório que discordam. O identificador reduz o erro do total nas janelas de decisão e o aumenta nos pontos de corte padrão. Um monitor que observa apenas um dos conjuntos de janelas deixará passar a falha do outro. A cada novo ajuste, registre o erro do total com e sem o identificador nas mesmas janelas, ao lado do MASE por cliente que o Capítulo 6 usa para decidir.
A quinta é uma parcela que fica desatualizada. Uma parcela é um fato sobre as últimas 8 semanas, então, quando os hábitos de um cliente mudam, sua parcela fica atrás da mudança pelo tempo que a janela for longa. Uma previsão de cima para baixo desse cliente fica então errada em uma direção constante, não ao acaso, e o erro não aparece no total, porque as parcelas continuam somando um. Um monitor deve, portanto, acompanhar a parcela de cada cliente ao longo do tempo, e não apenas o erro do total. O MASE por cliente no segundo exemplo é a medida que o revela.
A sexta é uma escala que se move com a janela. A escala do MASE do total é lida uma única vez, a partir do histórico anterior ao primeiro ponto de corte pontuado. Uma escala atualizada para cada janela lê as leituras daquela própria janela, e então cada pontuação do total muda por razões que nada têm a ver com a previsão. O primeiro exemplo verifica, para cada ponto de corte pontuado, que a escala daquela janela não se move quando as leituras a partir do ponto de corte são substituídas. Nenhuma escala se move: 0 das seis comparações (três pontos de corte por dois valores) a altera.
Regra prática: Em produção, verifique o total contra a soma de suas leituras a cada novo ajuste, pare quando um cliente estiver ausente de um total e execute a verificação de envenenamento em cada parcela e na escala de cada janela. Registre o erro do total com e sem o identificador nas mesmas janelas. Quando as janelas discordarem, relate ambas e não escolha aquela que favorece o modelo.
Decisões tomadas neste capítulo
- O total é a soma horária de
ALL30. Cada cliente é cortado pela regra de início antes da soma, e uma hora fica ausente quando a leitura de qualquer cliente nela está mascarada como hora de mudança de horário. A soma não muda com a regra de início, e a verificação no primeiro exemplo mostra isso. - Toda hora de previsão tem um valor, e a avaliação recusa uma hora mascarada. A grade de saída está completa até as horas de mudança de horário, e uma leitura ausente nunca é avaliada como zero.
- Os dois totais são construídos manualmente, em pandas. A hierarquia tem um único nível, então cada rota é uma soma ou uma divisão.
hierarchicalforecaste MinT são citados, e nenhum dos dois é usado. - O total é previsto de baixo para cima. Ele tem o menor MAE nas quatro janelas de decisão e nos cortes padrão. O total direto é reportado ao lado dele.
- O alvo do total direto não é escalonado. Nas janelas de decisão ele tem o menor MAE, por isso o modelo direto não escalona seu alvo, diferentemente do modelo dos clientes. O primeiro exemplo imprime as duas configurações.
- O identificador permanece no total de baixo para cima, como o capítulo 6 decidiu para os clientes. Seu custo para o total nos cortes padrão é reportado acima, não revertido.
- A divisão não é o método dos clientes. O de baixo para cima tem o menor MASE por cliente nas janelas de decisão, e, nesses clientes, a divisão perde mesmo com o total verdadeiro.
- As participações vêm das 1,344 horas anteriores a cada corte, o mesmo histórico dos clientes. A verificação de contaminação mostra que nenhuma participação lê uma leitura posterior.
- A escala do MASE do total é a regra do capítulo 2, aplicada ao total: o erro do ingênuo sazonal sobre todas as leituras anteriores ao primeiro corte avaliado, com as horas de mudança de horário mascaradas e a regra de início aplicada a cada cliente antes.
- As janelas são as do capítulo 6. As janelas de decisão e os cortes padrão são os mesmos dias, então os números dos dois capítulos podem ser comparados linha por linha.
- O capítulo 8 recebe previsões pontuais: a previsão de baixo para cima para cada cliente e para o total, com o total direto como alternativa. Um intervalo para o total não pode ser construído a partir dos intervalos dos clientes.
Este capítulo, nesta edição
Edição 2026.11.11Exemplos aprovados em 20 de nov de 20262 de 2 exemplos exemplos deste capítulo passam
Traduzido do livro em inglês, edição 2026.11.11.