StatsForecast (Nixtla)¶

Os modelos automáticos do StatsForecast entram como modelos-base opcionais, com nomes próprios (prefixo sf_) para não se confundirem com o arima do statsmodels.

Instalação¶

python -m pip install "autohybts[nixtla-stats]==1.0.0rc4"

As versões atuais do StatsForecast (2.1) exigem pandas<3: o extra instala o pandas 2.x, que a AutoHybTS suporta (piso 2.1). Num ambiente com pandas 3, mantenha um segundo ambiente virtual para esses modelos. Sem o extra, uma candidata com eles fica SKIPPED e o motivo diz o que instalar.

Modelos¶

Nome	Classe	O que escolhe sozinho
`sf_auto_arima`	`AutoARIMA`	ordem (p, d, q) e, com `seasonal`, (P, D, Q) por critério de informação
`sf_auto_ets`	`AutoETS`	erro, tendência e sazonalidade (`model="ZZZ"`)
`sf_auto_theta`	`AutoTheta`	variante do método Theta e decomposição sazonal
`sf_auto_ces`	`AutoCES`	suavização exponencial complexa, com ou sem sazonalidade

Parâmetros: season_length e model_params (repassados à classe do StatsForecast). Na busca, season_length vem do período sazonal do experimento; em create_model, passe-o explicitamente:

exp.create_model("sf_auto_ets", season_length=7)
exp.create_model("sf_auto_arima", season_length=7,
                 model_params={"seasonal": True, "max_D": 1})
exp.create_hybrid("sf_auto_theta", "mlp", base_params={"season_length": 7})

Parâmetros congelados e variantes A/B¶

Cada modelo é ajustado no vetor de treino da origem e depois congelado. A previsão chama forward(y=contexto, h) do StatsForecast, que aplica o modelo ajustado (ordens, coeficientes, constantes de suavização) ao contexto observado sem reestimá-lo: no próprio treino ela reproduz predict; num contexto mais longo só os estados mudam. Por isso os modelos funcionam na variante B, como bases de híbridos (os resíduos fora da amostra vêm da mesma atualização) e passam nos testes de contrato e de causalidade da biblioteca.

Custo¶

O AutoARIMA testa várias ordens a cada ajuste (alguns segundos numa série diária de algumas centenas de pontos); AutoETS, AutoTheta e AutoCES são bem mais rápidos. Um híbrido ajusta a base duas vezes por origem (treino e prefixo dos resíduos).

Paridade com o projeto de replicação¶

Os sete híbridos do projeto de replicação são reproduzidos exatamente pelas especificações da AutoHybTS (teste tests/regression/test_legacy_parity.py): quatro com corretor KNN e três estatístico-ANN. Um ETS–ANN, por exemplo:

exp.create_hybrid(
    "sf_auto_ets", "mlp", window=7,
    base_params={"season_length": 7, "model_params": {"model": "ZZZ"}},
    corrector_params={
        "scale": "minmax", "feature_order": "lag", "random_state": 42,
        "estimator_params": {"hidden_layer_sizes": [5], "activation": "logistic",
                             "solver": "lbfgs", "max_iter": 2000},
    },
)

scale="minmax" (escala por coluna como o MinMaxScaler) e feature_order="lag" (colunas da janela da defasagem 1 em diante) existem para essa paridade; o padrão da biblioteca continua scale=True e ordem cronológica. A cauda de resíduos fixa do projeto (residual_tail) corresponde a ResidualSettings(max_tail=...) ao montar o modelo (strategies.base.build_model); o experimento usa a cauda padrão (metade do treino).

Limites¶

Só modelos locais e pontuais: intervalos de previsão do StatsForecast não são usados.
MLForecast e NeuralForecast não estão integrados.
Sem covariáveis (target_mode="univariate").

Ver também

Tutoriais: 15. Modelos automáticos do StatsForecast.