Referências

Artigos e livros que definem os métodos usados ou discutidos na AutoHybTS, com o link para o texto (o DOI, quando existe). Dentro de cada seção, a ordem é cronológica. A linha Na AutoHybTS diz onde o método aparece na biblioteca; Contexto marca trabalhos que não estão implementados, mas explicam de onde vem uma ideia ou o que a biblioteca deliberadamente não faz.

Autores, ano, veículo, volume e páginas foram conferidos no Crossref (outubro de 2026); os itens sem DOI, no site do periódico ou dos anais.

Revisões

• De Gooijer, J. G., & Hyndman, R. J. (2006). 25 years of time series forecasting. International Journal of Forecasting, 22(3), 443–473. doi:10.1016/j.ijforecast.2006.01.001

  Contexto: panorama de 1982 a 2005 — suavização exponencial, ARIMA, modelos não lineares, combinação e medidas de acurácia.

• Hajirahimi, Z., & Khashei, M. (2019). Hybrid structures in time series modeling and forecasting: A review. Engineering Applications of Artificial Intelligence, 86, 83–106. doi:10.1016/j.engappai.2019.08.018

  Contexto: revisão das estruturas híbridas em previsão de séries temporais.

• Petropoulos, F., Apiletti, D., Assimakopoulos, V., et al. (2022). Forecasting: theory and practice. International Journal of Forecasting, 38(3), 705–871. doi:10.1016/j.ijforecast.2021.11.001

  Contexto: visão geral escrita por mais de 80 autores, de modelos estatísticos a aprendizado de máquina, combinação e avaliação.

• Wang, X., Hyndman, R. J., Li, F., & Kang, Y. (2023). Forecast combinations: An over 50-year review. International Journal of Forecasting, 39(4), 1518–1547. doi:10.1016/j.ijforecast.2022.11.005

  Contexto: cinquenta anos de combinação de previsões, de Bates e Granger (1969) aos pesos aprendidos.

Combinação de previsões e ensembles

• Bates, J. M., & Granger, C. W. J. (1969). The combination of forecasts. Operational Research Quarterly (hoje Journal of the Operational Research Society), 20(4), 451–468. doi:10.1057/jors.1969.103

  Combinar previsões pode errar menos do que escolher a melhor; pesos inversamente proporcionais ao erro passado. Na AutoHybTS: pesos inverse_mse da combinação de bases, da combinação de corretores e de create_ensemble (Estratégias de sistemas híbridos, Ensembles e composições).

• Granger, C. W. J., & Ramanathan, R. (1984). Improved methods of combining forecasts. Journal of Forecasting, 3(2), 197–204. doi:10.1002/for.3980030207

  A combinação como regressão do valor observado nas previsões. Na AutoHybTS: ideia do nnls (regressão sobre previsões fora da amostra).

• Clemen, R. T. (1989). Combining forecasts: A review and annotated bibliography. International Journal of Forecasting, 5(4), 559–583. doi:10.1016/0169-2070(89)90012-5

  Consolida a evidência de que combinar, inclusive pela média simples, costuma reduzir o erro. Na AutoHybTS: equal (pesos iguais) é o controle proposto primeiro na busca.

• Diebold, F. X., & Pauly, P. (1990). The use of prior information in forecast combination. International Journal of Forecasting, 6(4), 503–508. doi:10.1016/0169-2070(90)90028-A

  Encolhimento dos pesos estimados em direção aos pesos iguais. Na AutoHybTS: shrinkage do nnls.

• Wolpert, D. H. (1992). Stacked generalization. Neural Networks, 5(2), 241–259. doi:10.1016/S0893-6080(05)80023-1

  Um meta-modelo aprende a combinar as previsões fora da amostra dos modelos de base. Na AutoHybTS: pesos aprendidos e resíduos historical_oof_* vêm de previsões fora da amostra dentro do vetor de treino, nunca de ajustes dentro da amostra.

• Breiman, L. (1996). Stacked regressions. Machine Learning, 24(1), 49–64. doi:10.1007/BF00117832

  Stacking com pesos não negativos (mínimos quadrados não negativos) sobre previsões de validação cruzada. Na AutoHybTS: method="nnls".

• Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123–140. doi:10.1007/BF00058655

  Agregação de modelos ajustados em reamostras bootstrap. Na AutoHybTS: base do random_forest.

• Freund, Y., & Schapire, R. E. (1997). A decision-theoretic generalization of on-line learning and an application to boosting. Journal of Computer and System Sciences, 55(1), 119–139. doi:10.1006/jcss.1997.1504

  AdaBoost. Na AutoHybTS: origem do adaboost_r2 (Drucker, 1997).

• Timmermann, A. (2006). Forecast combinations. In G. Elliott, C. W. J. Granger & A. Timmermann (Eds.), Handbook of Economic Forecasting (Vol. 1, pp. 135–196). Elsevier. doi:10.1016/S1574-0706(05)01004-9

  Contexto: teoria dos pesos, instabilidade e por que a média simples é difícil de superar.

• Jose, V. R. R., & Winkler, R. L. (2008). Simple robust averages of forecasts: Some empirical results. International Journal of Forecasting, 24(1), 163–169. doi:10.1016/j.ijforecast.2007.06.001

  Médias aparadas e winsorizadas de previsões. Na AutoHybTS: median e trimmed_mean.

• Smith, J., & Wallis, K. F. (2009). A simple explanation of the forecast combination puzzle. Oxford Bulletin of Economics and Statistics, 71(3), 331–355. doi:10.1111/j.1468-0084.2008.00541.x

  Pesos estimados perdem para a média simples pelo erro de estimação dos próprios pesos. Na AutoHybTS: motivo do encolhimento do nnls quando há poucas origens.

• Albuquerque, R. V. de, & Oliveira, J. F. L. de (2025). A comparative analysis of combination operators in heterogeneous ensembles for one-step-ahead time series forecasting. In Anais do XXII Encontro Nacional de Inteligência Artificial e Computacional (ENIAC 2025) (pp. 61–72). SBC. doi:10.5753/eniac.2025.11788

  Compara média, mediana, média ponderada e stacking (SVR) num ensemble heterogêneo. Na AutoHybTS: as mesmas famílias de agregação de create_ensemble.

Sistemas híbridos residuais

Correção do resíduo

• Zhang, G. P. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, 159–175. doi:10.1016/S0925-2312(01)00702-0

  O ARIMA prevê a série, uma rede neural prevê o resíduo do ARIMA e as duas previsões são somadas. Na AutoHybTS: residual_additive (arima-mlp, ŷ = b + α·r̂; em Zhang, α = 1) — Estratégias de sistemas híbridos.

• Khashei, M., & Bijari, M. (2011). A novel hybridization of artificial neural networks and ARIMA models for time series forecasting. Applied Soft Computing, 11(2), 2664–2675. doi:10.1016/j.asoc.2010.10.015

  Contexto: troca a soma por uma combinação não linear da previsão do ARIMA, dos resíduos e das defasagens da série. A AutoHybTS mantém a combinação aditiva.

• Firmino, P. R. A., de Mattos Neto, P. S. G., & Ferreira, T. A. E. (2014). Correcting and combining time series forecasters. Neural Networks, 50, 1–11. doi:10.1016/j.neunet.2013.10.008

  Contexto: corrige um previsor com um modelo dos seus erros e combina as previsões.

• de Mattos Neto, P. S. G., Ferreira, T. A. E., Lima, A. R., Vasconcelos, G. C., & Cavalcanti, G. D. C. (2017). A perturbative approach for enhancing the performance of time series forecasting. Neural Networks, 88, 114–124. doi:10.1016/j.neunet.2017.02.004

  Cadeia de modelos, cada um ajustado ao erro deixado pelos anteriores. Na AutoHybTS: residual_multistage (arima-mlp-linear).

• de Mattos Neto, P. S. G., Cavalcanti, G. D. C., & Madeiro, F. (2017). Nonlinear combination method of forecasters applied to PM time series. Pattern Recognition Letters, 95, 65–72. doi:10.1016/j.patrec.2017.06.008

  Contexto: NoLiC — a função que combina previsão e correção é aprendida.

• Panigrahi, S., & Behera, H. S. (2017). A hybrid ETS–ANN model for time series forecasting. Engineering Applications of Artificial Intelligence, 66, 49–59. doi:10.1016/j.engappai.2017.07.007

  A estrutura de Zhang com suavização exponencial na base. Na AutoHybTS: create_hybrid("exponential_smoothing", "mlp").

• Silva, E. G., Santos Júnior, D. S. de O., Cavalcanti, G. D. C., & de Mattos Neto, P. S. G. (2018). Improving the accuracy of intelligent forecasting models using the perturbation theory. In 2018 International Joint Conference on Neural Networks (IJCNN) (pp. 1–7). IEEE. doi:10.1109/IJCNN.2018.8489697

  Correção sucessiva de modelos de aprendizado de máquina. Na AutoHybTS: estágios extras de residual_multistage.

• Santos Júnior, D. S. de O., de Oliveira, J. F. L., & de Mattos Neto, P. S. G. (2019). An intelligent hybridization of ARIMA with machine learning models for time series forecasting. Knowledge-Based Systems, 175, 72–86. doi:10.1016/j.knosys.2019.03.011

  Contexto: ARIMA, um corretor do resíduo e um combinador não linear aprendido.

• da Silva, E. G., de Mattos Neto, P. S. G., & de Oliveira, J. F. L. (2019). Hybrid system for time series using iterative residual forecasting models. In 2019 8th Brazilian Conference on Intelligent Systems (BRACIS) (pp. 872–877). IEEE. doi:10.1109/BRACIS.2019.00155

  O resíduo do corretor ainda pode ter estrutura e ser previsto por outro modelo. Na AutoHybTS: residual_multistage, até 3 estágios.

• de Oliveira, J. F. L., Pacífico, L. D. S., de Mattos Neto, P. S. G., et al. (2020). A hybrid optimized error correction system for time series forecasting. Applied Soft Computing, 87, 105970. doi:10.1016/j.asoc.2019.105970

  Contexto: otimiza a forma de juntar a previsão da base e a correção. Na AutoHybTS, o peso da correção é o alpha (0,5 ou 1), escolhido na validação.

• Smyl, S. (2020). A hybrid method of exponential smoothing and recurrent neural networks for time series forecasting. International Journal of Forecasting, 36(1), 75–85. doi:10.1016/j.ijforecast.2019.03.017

  Contexto: híbrido de suavização exponencial e LSTM treinada em muitas séries, vencedor do M4. A AutoHybTS ajusta modelos locais, série a série.

• Santos Júnior, D. S. de O., de Mattos Neto, P. S. G., de Oliveira, J. F. L., & Cavalcanti, G. D. C. (2023). A hybrid system based on ensemble learning to model residuals for time series forecasting. Information Sciences, 649, 119614. doi:10.1016/j.ins.2023.119614

  ERF: um ensemble de corretores no lugar de um corretor único. Na AutoHybTS: combinação de corretores (arima-comb(mlp,knn)), com corretores de tipos diferentes e pesos equal ou inverse_mse; o ERF agrega corretores do mesmo tipo treinados em reamostras.

Decomposição

• Cleveland, R. B., Cleveland, W. S., McRae, J. E., & Terpenning, I. (1990). STL: A seasonal-trend decomposition procedure based on loess. Journal of Official Statistics, 6(1), 3–73. PDF (Statistics Sweden)

  Na AutoHybTS: stl(...), STL robusta ajustada só no treino; só na variante A.

• Babu, C. N., & Reddy, B. E. (2014). A moving-average filter based hybrid ARIMA–ANN model for forecasting time series data. Applied Soft Computing, 23, 27–38. doi:10.1016/j.asoc.2014.05.028

  Um filtro de média móvel separa a série em componentes de baixa e de alta volatilidade; o ARIMA prevê a primeira e uma rede neural, a segunda. O comprimento do filtro é escolhido pela curtose (alvo 3). Na AutoHybTS: ma(...), média móvel causal com janela pela curtose no treino.

• de Oliveira, J. F. L., & Ludermir, T. B. (2016). A hybrid evolutionary decomposition system for time series forecasting. Neurocomputing, 180, 27–34. doi:10.1016/j.neucom.2015.07.113

  Contexto: decomposição da série com modelos por componente configurados por otimização evolucionária.

Seleção dinâmica e combinação local

• Silva, E. G., Cavalcanti, G. D. C., de Oliveira, J. F. L., & de Mattos Neto, P. S. G. (2020). On the evaluation of dynamic selection parameters for time series forecasting. In 2020 International Joint Conference on Neural Networks (IJCNN) (pp. 1–7). IEEE. doi:10.1109/IJCNN48605.2020.9207222

  Efeito do tamanho da região de competência, da medida de similaridade e do grupo de modelos. Na AutoHybTS: referência da grade de k (vizinhos) e lag (janela) de dref e local na busca.

• de Oliveira, J. F. L., Silva, E. G., & de Mattos Neto, P. S. G. (2022). A hybrid system based on dynamic selection for time series forecasting. IEEE Transactions on Neural Networks and Learning Systems, 33(8), 3251–3263. doi:10.1109/TNNLS.2021.3051384

  DReF: a cada passo, escolhe o corretor do resíduo — ou nenhum — pelo desempenho nos vizinhos mais parecidos. Na AutoHybTS: dref(...), só na variante B (Variantes A e B: como a previsão encontra o futuro).

• Medina, M. C. C., & de Oliveira, J. F. L. (2025). A local learning approach for sequential hybrid systems in time series forecasting. Neurocomputing, 620, 129235. doi:10.1016/j.neucom.2024.129235

  Região de competência por vizinhos mais próximos e combinação local por Kernel Ridge. Na AutoHybTS: local, só na variante B.

• Carvalho, H. D. P. de, Oliveira, J. F. L. de, & Fagundes, R. A. de A. (2025). Dynamic selection of ensemble-based regression models: Systematic literature review. Expert Systems with Applications, 290, 128429. doi:10.1016/j.eswa.2025.128429

  Contexto: revisão sistemática de seleção e ponderação dinâmicas em regressão.

Modelos-base e corretores

• Yule, G. U. (1927). On a method of investigating periodicities in disturbed series, with special reference to Wolfer’s sunspot numbers. Philosophical Transactions of the Royal Society of London. Series A, 226, 267–298. doi:10.1098/rsta.1927.0007

  O modelo autorregressivo. Na AutoHybTS: regressões sobre defasagens (linear e os demais modelos sobre lags) e ar_lags da harmonic_regression.

• Holt, C. C. (1957; republicado em 2004). Forecasting seasonals and trends by exponentially weighted moving averages. International Journal of Forecasting, 20(1), 5–10. doi:10.1016/j.ijforecast.2003.09.015

  Suavização exponencial com nível e tendência. Na AutoHybTS: exponential_smoothing (trend).

• Winters, P. R. (1960). Forecasting sales by exponentially weighted moving averages. Management Science, 6(3), 324–342. doi:10.1287/mnsc.6.3.324

  Holt-Winters, com sazonalidade. Na AutoHybTS: exponential_smoothing (season_length).

• Hoerl, A. E., & Kennard, R. W. (1970). Ridge regression: Biased estimation for nonorthogonal problems. Technometrics, 12(1), 55–67. doi:10.1080/00401706.1970.10488634

  Na AutoHybTS: ridge_regression.

• Box, G. E. P., & Jenkins, G. M. (1970). Time series analysis: Forecasting and control. Holden-Day. (Livro, sem DOI.)

  Identificação, estimação e diagnóstico de modelos ARIMA e ARIMA sazonais. Na AutoHybTS: arima e sarima.

• Akaike, H. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Control, 19(6), 716–723. doi:10.1109/TAC.1974.1100705

  O AIC. Na AutoHybTS: escolha de p e q do arima.

• Breiman, L., Friedman, J. H., Olshen, R. A., & Stone, C. J. (1984). Classification and regression trees. Wadsworth. Reedição CRC Press, doi:10.1201/9781315139470

  Na AutoHybTS: tree.

• Gardner, E. S., & McKenzie, E. (1985). Forecasting trends in time series. Management Science, 31(10), 1237–1246. doi:10.1287/mnsc.31.10.1237

  Tendência amortecida. Na AutoHybTS: exponential_smoothing (damped).

• Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533–536. doi:10.1038/323533a0

  Na AutoHybTS: mlp (base e corretor).

• Kwiatkowski, D., Phillips, P. C. B., Schmidt, P., & Shin, Y. (1992). Testing the null hypothesis of stationarity against the alternative of a unit root. Journal of Econometrics, 54(1–3), 159–178. doi:10.1016/0304-4076(92)90104-Y

  O teste KPSS. Na AutoHybTS: escolha de d do arima.

• Altman, N. S. (1992). An introduction to kernel and nearest-neighbor nonparametric regression. The American Statistician, 46(3), 175–185. doi:10.1080/00031305.1992.10475879

  Na AutoHybTS: knn (base e corretor).

• Tibshirani, R. (1996). Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society: Series B, 58(1), 267–288. doi:10.1111/j.2517-6161.1996.tb02080.x

  Na AutoHybTS: lasso_regression.

• Drucker, H., Burges, C. J. C., Kaufman, L., Smola, A., & Vapnik, V. (1997). Support vector regression machines. In Advances in Neural Information Processing Systems 9 (NIPS 1996). MIT Press. NeurIPS Proceedings

  Na AutoHybTS: svm.

• Drucker, H. (1997). Improving regressors using boosting techniques. In Proceedings of the 14th International Conference on Machine Learning (ICML 1997) (pp. 107–115). Morgan Kaufmann. (Sem DOI.)

  AdaBoost.R2. Na AutoHybTS: adaboost_r2.

• Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780. doi:10.1162/neco.1997.9.8.1735

  Na AutoHybTS: LSTMNet (PyTorch) e lstm (Keras), exemplos de modelos registrados (Modelos próprios: PyTorch, TensorFlow e outras bibliotecas).

• Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. doi:10.1023/A:1010933404324

  Na AutoHybTS: random_forest.

• Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. The Annals of Statistics, 29(5), 1189–1232. doi:10.1214/aos/1013203451

  Na AutoHybTS: hist_gradient_boosting e o princípio de xgboost_regressor, lightgbm_regressor e catboost_regressor.

• Smola, A. J., & Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and Computing, 14(3), 199–222. doi:10.1023/B:STCO.0000035301.49549.88

  Na AutoHybTS: svm.

• Zou, H., & Hastie, T. (2005). Regularization and variable selection via the elastic net. Journal of the Royal Statistical Society: Series B, 67(2), 301–320. doi:10.1111/j.1467-9868.2005.00503.x

  Na AutoHybTS: elastic_net_regression.

• Geurts, P., Ernst, D., & Wehenkel, L. (2006). Extremely randomized trees. Machine Learning, 63(1), 3–42. doi:10.1007/s10994-006-6226-1

  Na AutoHybTS: extra_trees_regressor.

• Hyndman, R. J., & Khandakar, Y. (2008). Automatic time series forecasting: The forecast package for R. Journal of Statistical Software, 27(3). doi:10.18637/jss.v027.i03

  auto.arima: d por testes KPSS sucessivos e p, q por critério de informação. Na AutoHybTS: arima com order="auto" segue a mesma ideia (KPSS e AIC, só no treino); sarima acrescenta D pela força sazonal e a busca stepwise de (p, q, P, Q) por AICc a partir de quatro modelos iniciais.

• Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 785–794). doi:10.1145/2939672.2939785

  Na AutoHybTS: xgboost_regressor.

• Ke, G., Meng, Q., Finley, T., et al. (2017). LightGBM: A highly efficient gradient boosting decision tree. In Advances in Neural Information Processing Systems 30. NeurIPS Proceedings

  Na AutoHybTS: lightgbm_regressor; o HistGradientBoostingRegressor do scikit-learn se inspira nele.

• Vaswani, A., Shazeer, N., Parmar, N., et al. (2017). Attention is all you need. In Advances in Neural Information Processing Systems 30. NeurIPS Proceedings

  Na AutoHybTS: TransformerNet (PyTorch) e transformer (Keras), exemplos de modelos registrados.

• Prokhorenkova, L., Gusev, G., Vorobev, A., Dorogush, A. V., & Gulin, A. (2018). CatBoost: Unbiased boosting with categorical features. In Advances in Neural Information Processing Systems 31. NeurIPS Proceedings

  Na AutoHybTS: catboost_regressor.

• Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and practice (3ª ed.). OTexts. otexts.com/fpp3

  Métodos simples (seção 5.2) e regressão harmônica dinâmica (seção 10.5). Na AutoHybTS: naive, seasonal_naive, random_walk_drift, historic_average e harmonic_regression.

• Gu, A., & Dao, T. (2023). Mamba: Linear-time sequence modeling with selective state spaces. arXiv:2312.00752. arXiv

  Na AutoHybTS: MambaNet, versão compacta em PyTorch puro (não o pacote mamba-ssm).

Demanda intermitente

• Croston, J. D. (1972). Forecasting and stock control for intermittent demands. Operational Research Quarterly (hoje Journal of the Operational Research Society), 23(3), 289–303. doi:10.1057/jors.1972.50

  Suaviza separadamente o tamanho das demandas e o intervalo entre elas. Na AutoHybTS: base do croston_sba (Modelos e bibliotecas).

• Syntetos, A. A., & Boylan, J. E. (2005). The accuracy of intermittent demand estimates. International Journal of Forecasting, 21(2), 303–314. doi:10.1016/j.ijforecast.2004.10.001

  Correção do viés de Croston, (1 − α/2) · z / p. Na AutoHybTS: croston_sba.

• Syntetos, A. A., Boylan, J. E., & Croston, J. D. (2005). On the categorization of demand patterns. Journal of the Operational Research Society, 56(5), 495–503. doi:10.1057/palgrave.jors.2601841

  Cortes ADI = 1,32 e CV² = 0,49 entre demanda suave, errática, intermitente e irregular. Na AutoHybTS: perfil da série nos diagnósticos (fração de zeros, ADI, CV²).

• Nikolopoulos, K., Syntetos, A. A., Boylan, J. E., Petropoulos, F., & Assimakopoulos, V. (2011). An aggregate–disaggregate intermittent demand approach (ADIDA) to forecasting: An empirical proposition and analysis. Journal of the Operational Research Society, 62(3), 544–554. doi:10.1057/jors.2010.32

  Na AutoHybTS: adida.

• Teunter, R. H., Syntetos, A. A., & Babai, M. Z. (2011). Intermittent demand: Linking forecasting to inventory obsolescence. European Journal of Operational Research, 214(3), 606–615. doi:10.1016/j.ejor.2011.05.018

  Na AutoHybTS: tsb.

• Petropoulos, F., & Kourentzes, N. (2015). Forecast combinations for intermittent demand. Journal of the Operational Research Society, 66(6), 914–924. doi:10.1057/jors.2014.62

  IMAPA: média das previsões em vários níveis de agregação. Na AutoHybTS: imapa.

Avaliação, validação temporal e testes

• Friedman, M. (1937). The use of ranks to avoid the assumption of normality implicit in the analysis of variance. Journal of the American Statistical Association, 32(200), 675–701. doi:10.1080/01621459.1937.10503522

  Na AutoHybTS: cmp.friedman() (Comparação de modelos e estratégias) e o teste de sazonalidade de seasonality_report e seasonal_period="auto", com os ciclos como blocos (Diagnóstico da série).

• Wilcoxon, F. (1945). Individual comparisons by ranking methods. Biometrics Bulletin, 1(6), 80–83. doi:10.2307/3001968

  Na AutoHybTS: cmp.tests() e a opção de teste pareado unilateral da regra de aceite (Seleção incremental).

• Holm, S. (1979). A simple sequentially rejective multiple test procedure. Scandinavian Journal of Statistics, 6(2), 65–70. JSTOR

  Na AutoHybTS: ajuste dos p-valores em cmp.tests().

• Efron, B. (1979). Bootstrap methods: Another look at the jackknife. The Annals of Statistics, 7(1), 1–26. doi:10.1214/aos/1176344552

  Na AutoHybTS: intervalos da calibração, reamostrando séries (Avaliar o próprio procedimento).

• Newey, W. K., & West, K. D. (1987). A simple, positive semi-definite, heteroskedasticity and autocorrelation consistent covariance matrix. Econometrica, 55(3), 703–708. doi:10.2307/1913610

  Na AutoHybTS: variância de longo prazo no teste de Diebold-Mariano, para origens que se sobrepõem.

• Makridakis, S. (1993). Accuracy measures: Theoretical and practical concerns. International Journal of Forecasting, 9(4), 527–529. doi:10.1016/0169-2070(93)90079-3

  Na AutoHybTS: métrica sMAPE.

• Diebold, F. X., & Mariano, R. S. (1995). Comparing predictive accuracy. Journal of Business & Economic Statistics, 13(3), 253–263. doi:10.1080/07350015.1995.10524599

  Na AutoHybTS: cmp.tests().

• Tashman, L. J. (2000). Out-of-sample tests of forecasting accuracy: An analysis and review. International Journal of Forecasting, 16(4), 437–450. doi:10.1016/S0169-2070(00)00065-0

  Avaliação com origem rolante. Na AutoHybTS: origens de V_search e V_select e cross_validate (Validação temporal sem vazamento).

• Demšar, J. (2006). Statistical comparisons of classifiers over multiple data sets. Journal of Machine Learning Research, 7, 1–30. JMLR

  Teste de Friedman seguido da diferença crítica de Nemenyi. Na AutoHybTS: cmp.friedman() e seu gráfico.

• Hyndman, R. J., & Koehler, A. B. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22(4), 679–688. doi:10.1016/j.ijforecast.2006.03.001

  Na AutoHybTS: MASE, a métrica padrão de ordenação e seleção.

• Wang, X., Smith, K., & Hyndman, R. (2006). Characteristic-based clustering for time series data. Data Mining and Knowledge Discovery, 13(3), 335–364. doi:10.1007/s10618-005-0039-x

  Força da tendência e da sazonalidade a partir de uma decomposição. Na AutoHybTS: strength de seasonality_report e a escolha de D do sarima.

• Varma, S., & Simon, R. (2006). Bias in error estimation when using cross-validation for model selection. BMC Bioinformatics, 7, 91. doi:10.1186/1471-2105-7-91

  Escolher e avaliar nos mesmos dados subestima o erro; a validação cruzada aninhada corrige. Na AutoHybTS: nested_cross_validate.

• Cawley, G. C., & Talbot, N. L. C. (2010). On over-fitting in model selection and subsequent selection bias in performance evaluation. Journal of Machine Learning Research, 11, 2079–2107. JMLR

  Na AutoHybTS: orçamentos da busca, separação entre V_search e V_select e o teste selado.

• Bergmeir, C., & Benítez, J. M. (2012). On the use of cross-validation for time series predictor evaluation. Information Sciences, 191, 192–213. doi:10.1016/j.ins.2011.12.028

  Na AutoHybTS: cross_validate, com origens só no histórico de desenvolvimento.

• Bergmeir, C., Hyndman, R. J., & Koo, B. (2018). A note on the validity of cross-validation for evaluating autoregressive time series prediction. Computational Statistics & Data Analysis, 120, 70–83. doi:10.1016/j.csda.2017.11.003

  Contexto: quando a validação cruzada comum vale para modelos autorregressivos. A AutoHybTS usa só origens temporais.

Competições e dados

• Makridakis, S., Andersen, A., Carbone, R., et al. (1982). The accuracy of extrapolation (time series) methods: Results of a forecasting competition. Journal of Forecasting, 1(2), 111–153. doi:10.1002/for.3980010202

  Contexto: a primeira M-Competition.

• Makridakis, S., & Hibon, M. (2000). The M3-Competition: Results, conclusions and implications. International Journal of Forecasting, 16(4), 451–476. doi:10.1016/S0169-2070(00)00057-1

  Na AutoHybTS: séries do M3 em get_data (Dados e séries de referência).

• Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2020). The M4 Competition: 100,000 time series and 61 forecasting methods. International Journal of Forecasting, 36(1), 54–74. doi:10.1016/j.ijforecast.2019.04.014

  Na AutoHybTS: séries do M4 em get_data; dados do repositório M4-methods.

• Montero-Manso, P., & Hyndman, R. J. (2021). Principles and algorithms for forecasting groups of time series: Locality and globality. International Journal of Forecasting, 37(4), 1632–1653. doi:10.1016/j.ijforecast.2021.03.004

  Contexto: modelos locais e globais. Nos painéis, a AutoHybTS ajusta um modelo por série (Várias séries (painel)).

• Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2022). M5 accuracy competition: Results, findings, and conclusions. International Journal of Forecasting, 38(4), 1346–1364. doi:10.1016/j.ijforecast.2021.11.013

  Na AutoHybTS: métrica RMSSE.

• Arel-Bundock, V. (s.d.). Rdatasets: An archive of datasets distributed with R. vincentarelbundock.github.io/Rdatasets

  Na AutoHybTS: séries do Rdatasets em get_data.

Software

• Seabold, S., & Perktold, J. (2010). Statsmodels: Econometric and statistical modeling with Python. In Proceedings of the 9th Python in Science Conference (pp. 92–96). doi:10.25080/Majora-92bf1922-011

  Na AutoHybTS: arima, exponential_smoothing, STL e KPSS (extra stats).

• Bergstra, J., Bardenet, R., Bengio, Y., & Kégl, B. (2011). Algorithms for hyper-parameter optimization. In Advances in Neural Information Processing Systems 24. NeurIPS Proceedings

  O TPE. Na AutoHybTS: tune_model(sampler="optuna") (Ajuste de hiperparâmetros).

• Pedregosa, F., Varoquaux, G., Gramfort, A., et al. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825–2830. JMLR

  Na AutoHybTS: modelos sobre lags e corretores.

• Akiba, T., Sano, S., Yanase, T., Ohta, T., & Koyama, M. (2019). Optuna: A next-generation hyperparameter optimization framework. In Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (pp. 2623–2631). doi:10.1145/3292500.3330701

  Na AutoHybTS: tune_model(sampler="optuna").