04. Variante B: previsão rolling de um passo

Na variante B cada previsão é de um passo, e o valor real chega logo depois. Os parâmetros ficam congelados:

1. prever t+1 usando só o que foi observado até t;

2. observar y[t+1];

3. atualizar a janela de resíduos com o erro da base naquele instante;

4. avançar, sem chamar fit.

A seleção usa o erro de um passo na validação. A seleção dinâmica de corretores só é permitida nesta variante.

import autohybts

print("AutoHybTS", autohybts.__version__)

AutoHybTS 1.0.0rc2

1. Experimento na variante B

from autohybts import AutoHybridExperiment
from autohybts.datasets import get_data

y = get_data("synthetic_daily")
exp = AutoHybridExperiment(fh=1, variant="B", test_size=28, session_id=42).fit(y)
result = exp.compare_models()
result.leaderboard

	name	model	family	strategy	base	corrector	residual_source	window	alpha	mean_rank	...	MAE	RMSE	sMAPE	coverage	n_units	n_failed	n_skipped	fit_seconds	predict_seconds	is_champion
candidate_id
f197a4a852eefc42b77e9d063dff3c84cf252feda2deb62c878faf84713a4449	arima	arima	statistical	standalone	arima	NaN	NaN	NaN	NaN	1.0	...	0.883120	0.883120	0.012429	1.0	7	0	0	16.643486	0.012792	True
dcc94aa07bedae7630b1f38c2570937852793c439f560bfd9098cbedf9650690	arima-linear	arima + linear [w=7, alpha=0.5, historical_oof...	residual	residual_additive	arima	linear	historical_oof_1step	7.0	0.5	2.0	...	0.885318	0.885318	0.012459	1.0	7	0	0	4.903926	0.012789	False
0ec158f3b6ec517f088da25b7c2f75c10bfe627d7bf5437f0622b8ff36cca85a	arima-linear	arima + linear [w=7, alpha=0.5, in_sample]	residual	residual_additive	arima	linear	in_sample	7.0	0.5	3.0	...	0.886370	0.886370	0.012471	1.0	7	0	0	0.262579	0.013400	False
50c3b10b84c20c32b6b898008596592cb4f651f3f73110b54230461381267f3e	arima-linear	arima + linear [w=7, alpha=1.0, historical_oof...	residual	residual_additive	arima	linear	historical_oof_1step	7.0	1.0	4.0	...	0.891898	0.891898	0.012552	1.0	7	0	0	0.383705	0.014258	False
c51a658f4db43de6316044da15702a7d11e9e319df05363c4688b9ba00547929	mlp	mlp(lags=7)	neural	standalone	mlp	NaN	NaN	NaN	NaN	5.0	...	0.892754	0.892754	0.012454	1.0	7	0	0	0.654276	0.002061	False
4a92d125bd10f30ce4cdf0fc07e114c1e0d07bbd03ca06dd5a8c04c2781bfd4b	svm	svm(lags=7)	kernel	standalone	svm	NaN	NaN	NaN	NaN	6.0	...	0.926790	0.926790	0.013126	1.0	7	0	0	0.102579	0.002965	False
c05fbfc4191206898692474cb6edb6c95948dcd38fd203e4d6be47b604035efe	linear	linear(lags=7)	linear	standalone	linear	NaN	NaN	NaN	NaN	7.0	...	0.939771	0.939771	0.013160	1.0	7	0	0	1.025291	0.001306	False
3e1cf077f43789200b40b04ab5b6098eb7f916132b72ca9bbd6f6f8eba5f3d02	arima-linear	arima + linear [w=7, alpha=0.5, historical_oof...	residual	residual_additive	arima	linear	historical_oof_multistep	7.0	0.5	8.0	...	0.958163	0.958163	0.013517	1.0	7	0	0	9.948506	0.012775	False
1984f459ddd73973f8dee0312933d0c5d4a4ae9ff5e3e8a400a30bd0b87baff5	linear-linear	linear(lags=7) + linear [w=7, alpha=0.5, histo...	residual	residual_additive	linear	linear	historical_oof_1step	7.0	0.5	9.0	...	1.002286	1.002286	0.013990	1.0	7	0	0	0.509810	0.002312	False
a02b2e3d287a824a49ab59fb6ba512b63b07cdd1f99e4dcfaef443617e0f77f2	knn	knn(lags=7)	kernel	standalone	knn	NaN	NaN	NaN	NaN	10.0	...	1.235898	1.235898	0.017431	1.0	7	0	0	0.023858	0.003429	False
17770e7b1955f67c1ede0c43e5f28a54c77852422c234d23ec6475da52e8e57f	seasonal_naive-linear	seasonal_naive(season_length=7) + linear [w=7,...	residual	residual_additive	seasonal_naive	linear	historical_oof_1step	7.0	0.5	11.0	...	1.300770	1.300770	0.018164	1.0	7	0	0	0.232959	0.001532	False
c4029ff35105b1163f36fe6625239a1a03d36530d6c10868247d7c6805cbd2dc	random_forest	random_forest(lags=7)	tree	standalone	random_forest	NaN	NaN	NaN	NaN	12.0	...	1.304235	1.304235	0.018459	1.0	7	0	0	1.621146	0.034359	False
76a20a6a4683ebf0031f39dfbf4c574bfad03f3308fc2bd37794a8357bb49fe3	mlp-linear	mlp(lags=7) + linear [w=7, alpha=1.0, historic...	residual	residual_additive	mlp	linear	historical_oof_1step	7.0	1.0	13.0	...	1.367125	1.367125	0.019047	1.0	7	0	0	1.732240	0.003291	False
49ccd436b98e419cc4ca07ac9cd7fdcefc5781cd060799f3dbf68a665a7b933f	mlp-linear	mlp(lags=7) + linear [w=7, alpha=0.5, historic...	residual	residual_additive	mlp	linear	historical_oof_1step	7.0	0.5	14.0	...	1.376205	1.376205	0.019121	1.0	7	0	0	1.822151	0.003041	False
c295647b2c1fbb87604afc4149027b096db438f6718f8b9412ffedd8aad29157	seasonal_naive	seasonal_naive(season_length=7)	statistical	standalone	seasonal_naive	NaN	NaN	NaN	NaN	15.0	...	1.477611	1.477611	0.020579	1.0	7	0	0	0.000117	0.000214	False
7f28194267d2be6365845089c32eeca9ca2fb3704620ade51e8058aeed4565a2	naive	naive	statistical	standalone	naive	NaN	NaN	NaN	NaN	16.0	...	1.536732	1.536732	0.021733	1.0	7	0	0	0.000151	0.000211	False
76e16eb5ecda291262338e982ea0ed8f13261f5a94fd8c79f009b769d5221f15	tree	tree(lags=7)	tree	standalone	tree	NaN	NaN	NaN	NaN	17.0	...	2.901353	2.901353	0.041320	1.0	7	0	0	0.028939	0.002017	False
c8badc4b2e97c34ef97f28939bc5fcb4e4c42719296d9904f9b123a4323c69d8	linear-linear	linear(lags=7) + linear [w=7, alpha=0.5, histo...	residual	residual_additive	linear	linear	historical_oof_multistep	7.0	0.5	18.0	...	3.842352	3.842352	0.052033	1.0	7	0	0	0.469302	0.003070	False
98b19ebecc5279fb4a58c00a60fb3fe8cf909807de0d606c01da4aeb1c709ea9	random_forest-linear	random_forest(lags=7) + linear [w=7, alpha=0.5...	residual	residual_additive	random_forest	linear	historical_oof_1step	7.0	0.5	19.0	...	4.703941	4.703941	0.063774	1.0	7	0	0	16.516583	0.045515	False
7b24b87c2c136c2d8a3169062b443453476a1d6a1af538d70df1703ef02d07fb	knn-linear	knn(lags=7) + linear [w=7, alpha=0.5, historic...	residual	residual_additive	knn	linear	historical_oof_1step	7.0	0.5	20.0	...	5.246151	5.246151	0.071193	1.0	7	0	0	1.258855	0.005130	False
18af1beb3e968d119f44a9d569f1e925a8c602f81f9c4f9a7a84c2beadc51b87	tree-linear	tree(lags=7) + linear [w=7, alpha=0.5, histori...	residual	residual_additive	tree	linear	historical_oof_1step	7.0	0.5	21.0	...	5.824911	5.824911	0.078668	1.0	7	0	0	0.739781	0.003367	False
59ef79be199fa121bbc4e6932275347ac6c2f278530a9a6d325f71f5e7835d70	svm-linear	svm(lags=7) + linear [w=7, alpha=0.5, historic...	residual	residual_additive	svm	linear	historical_oof_1step	7.0	0.5	22.0	...	8.065861	8.065861	0.107547	1.0	7	0	0	0.771446	0.003421	False
6d01dc8782681bfe3e40abb2ee3cd570dd64a065ed22ff051823470d8d542bbc	svm-linear	svm(lags=7) + linear [w=7, alpha=1.0, historic...	residual	residual_additive	svm	linear	historical_oof_1step	7.0	1.0	23.0	...	15.960524	15.960524	0.202087	1.0	7	0	0	0.760382	0.003359	False

23 rows × 21 columns

2. Finalizar e avaliar no teste selado

final = exp.finalize_model(result.best)
exp.evaluate_external(final).metrics

	MASE	MAE	RMSE	sMAPE
model
arima	0.532694	0.83562	1.022446	0.011846

3. Streaming em produção

O mesmo modelo, recebendo observações novas uma a uma. Aqui simulamos a chegada dos dados com as últimas 28 observações da série.

import pandas as pd

stream = final.stream()
rows = []
for timestamp, actual in y.iloc[-28:].items():
    ticket = stream.predict_next()
    rows.append({"timestamp": timestamp, "y_pred": ticket.prediction, "y_true": actual})
    stream.observe(actual)  # só agora o valor real fica disponível

stream_log = pd.DataFrame(rows).set_index("timestamp")
stream_log["abs_error"] = (stream_log["y_true"] - stream_log["y_pred"]).abs()
stream_log

	y_pred	y_true	abs_error
timestamp
2025-12-03	73.163889	72.429605	0.734284
2025-12-04	70.867025	71.246072	0.379047
2025-12-05	68.793807	70.065617	1.271810
2025-12-06	68.582059	67.422345	1.159713
2025-12-07	68.022263	67.361921	0.660342
2025-12-08	69.636127	70.737740	1.101613
2025-12-09	73.005390	73.033376	0.027986
2025-12-10	73.587046	74.455786	0.868740
2025-12-11	72.897800	72.770706	0.127095
2025-12-12	70.278648	70.848351	0.569702
2025-12-13	69.320746	67.974139	1.346606
2025-12-14	68.572199	68.709667	0.137468
2025-12-15	71.028243	70.974923	0.053320
2025-12-16	73.286105	72.268050	1.018055
2025-12-17	72.854259	71.772094	1.082164
2025-12-18	70.232700	71.654518	1.421817
2025-12-19	69.187838	69.077403	0.110435
2025-12-20	67.534704	66.810274	0.724430
2025-12-21	67.376158	67.873867	0.497709
2025-12-22	70.155440	71.791572	1.636132
2025-12-23	74.080296	71.837857	2.242439
2025-12-24	72.402862	71.600799	0.802063
2025-12-25	70.079941	69.988975	0.090966
2025-12-26	67.562980	69.786655	2.223674
2025-12-27	68.301897	68.674617	0.372720
2025-12-28	69.227426	70.105403	0.877978
2025-12-29	72.291891	71.148468	1.143423
2025-12-30	73.327526	72.611886	0.715640

4. Previsto × observado

Cada ponto laranja foi previsto antes de o valor preto ser observado; o modelo só viu o passado de cada ponto.

import matplotlib.pyplot as plt

fig, (top, bottom) = plt.subplots(2, 1, figsize=(10, 5.2), sharex=True)
top.plot(stream_log.index, stream_log["y_true"], color="#333333", label="observado")
top.plot(
    stream_log.index,
    stream_log["y_pred"],
    "o-",
    color="#DD8452",
    markersize=4,
    label="previsto (1 passo)",
)
top.set_title("Variante B: previsão de um passo, valor revelado depois")
top.legend()
bottom.bar(stream_log.index, stream_log["abs_error"], color="#4C72B0")
bottom.set_ylabel("erro absoluto")
plt.show()

5. Base e correção a cada passo

O campeão aqui é um modelo individual, sem corretor. Para ver o que a variante B faz num híbrido, o arima-linear é avaliado nas mesmas origens, finalizado e transmitido pelos mesmos 28 dias. Cada ForecastTicket traz a previsão da base e a correção; o resíduo observado y − b entra na janela do corretor só depois da observação.

hybrid = exp.create_hybrid("arima", "linear")
hybrid_stream = exp.finalize_model(hybrid).stream()
steps = []
for timestamp, actual in y.iloc[-28:].items():
    ticket = hybrid_stream.predict_next()
    steps.append(
        {
            "timestamp": timestamp,
            "base": ticket.base_prediction,
            "correction": ticket.correction,
            "y_pred": ticket.prediction,
            "y_true": actual,
        }
    )
    hybrid_stream.observe(actual)
steps = pd.DataFrame(steps).set_index("timestamp")

fig, (top, bottom) = plt.subplots(2, 1, figsize=(10, 5.2), sharex=True)
top.plot(steps.index, steps["y_true"], color="#333333", label="observado")
top.plot(steps.index, steps["base"], "--", color="#4C72B0", label="base (arima)")
top.plot(steps.index, steps["y_pred"], "o-", color="#DD8452", markersize=4, label="base + correção")
top.set_title("Híbrido arima-linear na variante B")
top.legend()
bottom.bar(steps.index, steps["correction"], color="#55A868")
bottom.axhline(0, color="gray", linewidth=0.8)
bottom.set_ylabel("correção")
plt.show()
errors = {
    "base": (steps["y_true"] - steps["base"]).abs().mean(),
    "base + correção": (steps["y_true"] - steps["y_pred"]).abs().mean(),
}
pd.Series(errors, name="MAE nos 28 dias").round(3)

base               0.836
base + correção    0.803
Name: MAE nos 28 dias, dtype: float64

6. Variantes A e B no mesmo trecho

A mesma estrutura campeã, agora na variante A: finalizada no mesmo histórico, ela prevê os 28 dias de uma vez a partir do fim do treino, sem ver nenhum valor desse trecho. Na variante B, cada dia foi previsto com os dias anteriores já observados. É a diferença descrita na página “Variantes A e B” do guia do usuário.

from dataclasses import replace

exp_a = AutoHybridExperiment(fh=28, test_size=28, session_id=42).fit(y)
final_a = exp_a.finalize_model(replace(result.best, variant="A"))  # mesma estrutura, variante A
forecast_a = exp_a.predict_model(final_a).predictions["y_pred"]

comparison = pd.DataFrame(
    {
        "y_true": stream_log["y_true"],
        "A (28 passos)": forecast_a.to_numpy(),
        "B (1 passo)": stream_log["y_pred"],
    }
)
error_a = (comparison["y_true"] - comparison["A (28 passos)"]).abs()
error_b = (comparison["y_true"] - comparison["B (1 passo)"]).abs()

fig, (top, bottom) = plt.subplots(2, 1, figsize=(10, 5.2), sharex=True)
top.plot(comparison.index, comparison["y_true"], color="#333333", label="observado")
top.plot(
    comparison.index,
    comparison["A (28 passos)"],
    "s-",
    color="#4C72B0",
    markersize=3,
    label="variante A",
)
top.plot(
    comparison.index,
    comparison["B (1 passo)"],
    "o-",
    color="#DD8452",
    markersize=3,
    label="variante B",
)
top.set_title(f"{result.best.label}: variante A × variante B")
top.legend()
bottom.plot(comparison.index, error_a, color="#4C72B0", label="erro A")
bottom.plot(comparison.index, error_b, color="#DD8452", label="erro B")
bottom.set_ylabel("erro absoluto")
bottom.legend()
plt.show()
pd.Series({"A (28 passos)": error_a.mean(), "B (1 passo)": error_b.mean()}, name="MAE").round(3)

A (28 passos)    0.791
B (1 passo)      0.836
Name: MAE, dtype: float64

7. Leitura

• Streaming. O campeão (arima) previu os 28 dias um passo por vez, sem reajuste, com MAE 0,836 — o mesmo valor da avaliação externa, que na variante B também é feita em rolagem de um passo.

• Base e correção. No híbrido arima-linear, a correção ficou abaixo de 0,5 em valor absoluto em todos os dias e baixou o MAE dos 28 dias de 0,836 (só a base) para 0,803; cada correção usou só resíduos já observados.

• A × B. Neste trecho a variante A teve MAE menor (0,791 contra 0,836). O arima escolhido projeta bem o ciclo semanal e a tendência 28 dias à frente, e o erro de A não cresceu com o horizonte; a previsão de um passo reage ao último valor, que carrega o ruído AR(1). A variante B não garante menor erro: ela serve quando cada valor chega antes da próxima previsão. Em séries com componente pouco previsível, o erro de A tende a crescer com o horizonte.

• Limites. Um único trecho de 28 dias de uma série sintética; a comparação ilustra a mecânica, não estima qual variante erra menos em geral.