Modelos e bibliotecas

A maior parte dos modelos é um adaptador fino sobre uma biblioteca conhecida (scikit-learn, statsmodels, StatsForecast, LightGBM …): o adaptador cuida do que é específico de séries temporais (janelas de lags, diferenciação, previsão recursiva, contexto temporal) e delega o ajuste à biblioteca de origem. Métodos simples sem uma implementação de referência adequada — baselines, regressão harmônica e os métodos de demanda intermitente — são implementados em numpy na própria AutoHybTS e marcados como “próprio (numpy)” nas tabelas. O nome curto é o que se passa para create_model e create_hybrid, e é o que aparece no leaderboard.

exp.models()     # nome, papel (base/corretor), família, capacidades e extra necessário

Modelos-base

Nome	Família	Implementação	Instalação
naive	statistical	próprio (numpy): repete o último valor	núcleo
seasonal_naive	statistical	próprio (numpy): repete a última temporada	núcleo
arima	statistical	statsmodels.tsa.arima.model.ARIMA; ordem escolhida com o teste KPSS (statsmodels.tsa.stattools.kpss) e o AIC	extra stats (statsmodels)
linear	linear	sklearn.linear_model.LinearRegression sobre lags	núcleo (scikit-learn)
knn	kernel	sklearn.neighbors.KNeighborsRegressor sobre lags	núcleo (scikit-learn)
svm	kernel	sklearn.svm.SVR sobre lags	núcleo (scikit-learn)
tree	tree	sklearn.tree.DecisionTreeRegressor sobre lags	núcleo (scikit-learn)
random_forest	tree	sklearn.ensemble.RandomForestRegressor sobre lags	núcleo (scikit-learn)
mlp	neural	sklearn.neural_network.MLPRegressor sobre lags (hidden_layer_sizes=(32,), max_iter=1000)	núcleo (scikit-learn)

Esses nove formam a busca padrão. Os modelos abaixo estão registrados, mas só entram quando pedidos (base_models=[...], create_model): controles simples para comparar estruturas compostas e boosting sobre lags.

Nome	Família	Implementação	Instalação
historic_average	statistical	próprio (numpy): média do treino, congelada	núcleo
window_average	statistical	próprio (numpy): média das últimas window observações	núcleo
seasonal_window_average	statistical	próprio (numpy): média de cada posição sazonal nas últimas window temporadas	núcleo
random_walk_drift	statistical	próprio (numpy): último valor + h · variação média do treino	núcleo
exponential_smoothing	statistical	statsmodels.tsa.holtwinters.ExponentialSmoothing aditiva (Holt, Holt-Winters, amortecida: trend, damped, season_length); parâmetros estimados no treino e congelados, estados atualizados pelo contexto	extra stats (statsmodels)
sarima	statistical	statsmodels.tsa.arima.model.ARIMA com parte sazonal (P, D, Q, m): D pela força sazonal, d por KPSS e (p, q, P, Q) por AICc em busca stepwise (Diagnóstico da série)	extra stats (statsmodels)
harmonic_regression	statistical	próprio (numpy): regressão harmônica dinâmica, com tendência, pares de Fourier para cada período de periods (aceita não inteiros, como 365,25) e ar_lags defasagens; coeficientes congelados. Representa séries com várias sazonalidades (semanal + anual em dados diários; diária + semanal em horários) sem um estado por posição sazonal. Padrão para dados diários: periods=(7, 365.25), harmonics=(3, 5), ar_lags=1	núcleo
ridge_regression, lasso_regression, elastic_net_regression	linear	sklearn.linear_model.Ridge / Lasso / ElasticNet sobre lags	núcleo (scikit-learn)
extra_trees_regressor	tree	sklearn.ensemble.ExtraTreesRegressor sobre lags	núcleo (scikit-learn)
hist_gradient_boosting	tree	sklearn.ensemble.HistGradientBoostingRegressor sobre lags	núcleo (scikit-learn)
adaboost_r2	tree	sklearn.ensemble.AdaBoostRegressor (AdaBoost.R2) sobre lags	núcleo (scikit-learn)
lightgbm_regressor	tree	lightgbm.LGBMRegressor sobre lags (200 árvores, 15 folhas, n_jobs=1)	extra boosting (lightgbm)
xgboost_regressor	tree	xgboost.XGBRegressor sobre lags (200 árvores, profundidade 4, n_jobs=1)	extra boosting (xgboost)
catboost_regressor	tree	catboost.CatBoostRegressor sobre lags (200 iterações, profundidade 4, thread_count=1, sem gravar catboost_info/)	extra boosting (catboost)

Os modelos automáticos do StatsForecast (sf_auto_arima, sf_auto_ets, sf_auto_theta, sf_auto_ces; extra nixtla-stats, que traz pandas 2.x) têm página própria: StatsForecast (Nixtla).

Os modelos de boosting rodam com uma thread por modelo: em séries de poucas centenas de pontos, as threads do OpenMP custam mais do que economizam. O paralelismo do experimento continua entre candidatas (n_jobs).

Os modelos do scikit-learn viram previsores de séries pelo mesmo adaptador (LagRegressionForecaster): aprendem y[t] a partir de y[t-1], …, y[t-lags], com diferenciação e padronização opcionais ajustadas só no treino, e preveem vários passos de forma recursiva. Os hiperparâmetros do estimador vão em estimator_params:

exp.create_model("knn", lags=14, estimator_params={"n_neighbors": 3})

A padronização (scale) é ajustada no treino: True (padrão) usa uma média e um desvio da série; "columns" padroniza cada defasagem e o alvo separadamente, como o StandardScaler do scikit-learn em X e y; False não padroniza. Modelos lineares e árvores não mudam com a escolha; KNN e SVR mudam, porque dependem das distâncias. Os corretores aceitam as mesmas opções. Com scale="columns", a AutoHybTS reproduz exatamente os quatro híbridos com corretor KNN do projeto de replicação.

Demanda intermitente

Para séries com muitos zeros (vendas esparsas, peças de reposição), quatro métodos formam a família intermittent. São modelos-base, não combinações de candidatas:

Nome	Previsão (constante no horizonte)	Parâmetros
croston_sba	Croston com a correção de Syntetos-Boylan: (1 − α/2) · z / p, com z o tamanho das demandas e p o intervalo entre elas, suavizados separadamente	alpha=0.1
tsb	Teunter-Syntetos-Babai: probabilidade de demanda (suavizada todo período) × tamanho (suavizado quando há demanda); decai quando a demanda para	alpha_d=0.1, alpha_p=0.1
adida	soma em blocos de k períodos (k = intervalo médio entre demandas no treino, congelado), suavização dos blocos e divisão por k	alpha=0.1
imapa	média das previsões do ADIDA nos níveis 1..k	alpha=0.1

Todos são implementados em numpy, rodam nas variantes A e B (o nível de agregação é aprendido no treino; as recursões leem o contexto) e nunca preveem valores negativos. Uma série com valores negativos não é demanda: o ajuste é recusado e a tentativa fica SKIPPED. Os diagnósticos de cada tentativa trazem o perfil da série no treino: fração de zeros, intervalo médio entre demandas (ADI) e CV² dos tamanhos.

A família entra na cadeia de seleção só quando um desses modelos está em base_models, logo antes dos híbridos residuais; sem eles, o protocolo padrão não muda. Em demanda intermitente, prefira metrics=["RMSSE", ...]: métricas baseadas no erro absoluto (MASE, MAE) favorecem prever zero.

y = get_data("intermittent_daily")
exp = AutoHybridExperiment(
    fh=14, metrics=["RMSSE", "MASE"], base_models=["naive", "croston_sba", "tsb", "imapa"]
).fit(y)

Corretores de resíduos

Nome	Implementação	Instalação
linear	sklearn.linear_model.LinearRegression sobre janelas de resíduos	núcleo (scikit-learn)
knn	sklearn.neighbors.KNeighborsRegressor sobre janelas de resíduos	núcleo (scikit-learn)
mlp	sklearn.neural_network.MLPRegressor sobre janelas de resíduos	núcleo (scikit-learn)

Corretores opcionais (fora da grade padrão; use correctors=[...] ou create_hybrid): svm, tree, random_forest, hist_gradient_boosting, adaboost_r2, lightgbm_regressor, xgboost_regressor e catboost_regressor (os três últimos no extra boosting), com as mesmas implementações dos modelos-base, agora sobre janelas de resíduos.

Corretores de sequência residual

Um corretor de janelas regride o próximo resíduo nos window anteriores e é iterado passo a passo. Um corretor de sequência é um modelo de série temporal da própria série de resíduos: é ajustado uma vez nos resíduos fora da amostra contíguos do treino e prevê o vetor residual do horizonte inteiro a partir do histórico residual disponível na origem. Modelos de estado (ARIMA, suavização exponencial) precisam do histórico residual completo para os seus estados, o que uma janela fixa não dá.

Nome	Modelo sobre os resíduos	Instalação
arima_sequence	arima (ordem automática), parâmetros congelados	extra stats
exponential_smoothing_sequence	exponential_smoothing sem tendência (suavização simples)	extra stats

exp.create_hybrid("seasonal_naive", "arima_sequence")
# parâmetros do modelo sobre os resíduos:
exp.create_hybrid("linear", "arima_sequence",
                  corrector_params={"model_params": {"order": (1, 0, 0)}})

Funcionam no híbrido aditivo (e em estágios), nas variantes A e B: na B, novas observações estendem a série de resíduos sem reajuste. A janela não se aplica a eles: na busca, cada um é proposto com a primeira janela de residual_windows só. Estratégias que exigem um corretor de janelas (decomposição, combinação de corretores, seleção dinâmica) não os propõem, e uma candidata montada à mão com eles fica SKIPPED.

Capacidades

exp.models() mostra o que cada modelo declara. Além de multi_step e online_state_update (variantes A e B), training_scope (local, global, pretrained), output_type (point, quantile, samples, distribution), target_mode (univariate, multivariate, exogenous), horizon_strategy e max_horizon descrevem o modelo. A busca compara previsões pontuais por série, com ajustes locais; modelos globais, saídas não pontuais, múltiplos alvos e horizontes incompatíveis são SKIPPED sem ajuste. Covariáveis são suportadas quando o experimento recebe X e a base declara accepts_exog=True. Isso é distinto de target_mode="exogenous", cujo contrato obrigatório não é aceito pela busca atual. Consulte Estratégias de sistemas híbridos para as combinações de estratégias e Variáveis exógenas para disponibilidade temporal das covariáveis.

Métricas

MASE (padrão de ordenação), MAE, RMSE, sMAPE, MAPE, MdAPE, WAPE, RRMSE, RMAE (MAE / média do observado, como no protocolo de replicação) e RMSSE (raiz do erro quadrático médio escalado pela diferença sazonal ao quadrado do treino, com o mesmo m da MASE; o M5 usa m = 1). Escolha com metrics=[...]; a primeira ordena e seleciona. Fórmulas e casos indefinidos em Ler os resultados.

Outras dependências

Partes fora dos modelos também usam bibliotecas externas, sempre importadas só na hora do uso (import autohybts carrega apenas numpy, pandas e o próprio pacote):

Recurso	Biblioteca	Instalação
decomposição stl(...)	statsmodels.tsa.seasonal.STL	extra stats
testes estatísticos na comparação e na seleção	scipy.stats (vem com o scikit-learn)	núcleo
tune_model(sampler="optuna")	optuna (TPE); com sampler="auto", sem Optuna instalado, a busca é aleatória com semente	extra optuna
gráficos	matplotlib	extra plot
leitura do M3	rdata	extra datasets

Sem o extra necessário, o modelo ou recurso falha com UnsupportedCapabilityError dizendo o que instalar; na busca automática, a candidata vira SKIPPED e as outras seguem. A origem dos dados (Rdatasets, M4, M3) está em Dados e séries de referência.

Modelos próprios

Modelos de PyTorch, TensorFlow/Keras ou de qualquer outra biblioteca entram por registro (exp.register_model) e passam a valer em todo o experimento: veja Modelos próprios: PyTorch, TensorFlow e outras bibliotecas.

Ver também

Tutoriais: 12. Baselines, boosting e corretores opcionais, 14. Demanda intermitente.