PREVISÃO DE SÉRIES TEMPORAIS BASEADA EM MODELO HÍBRIDO PROPHET-ARIMA

INTRODUÇÃO: O planejamento do abastecimento de água é essencial para empresas de saneamento, com a previsão precisa do consumo sendo crucial para garantir o fornecimento adequado e otimizar recursos hídricos. OBJETIVOS: O objetivo deste projeto é aplicar os métodos ARIMA (do inglês AutoRegressive Integrated Moving Average), PROPHET e um modelo híbrido para prever a demanda interna de água a partir de dados históricos. O modelo ARIMA foi ajustado usando a metodologia de Box-Jenkins para identificar os parâmetros mais adequados para a série temporal. O modelo Prophet foi proposto pela empresa Meta e é projetado para lidar com uma ampla gama de padrões sazonais e tendências em dados de séries temporais. Ele é especialmente adequado para conjuntos de dados com várias fontes de incerteza, como feriados e eventos especiais. MATERIAIS E MÉTODO: Neste projeto, o Prophet foi relevante quanto a considerar tendências, sazonalidades e efeitos de feriados, fornecendo previsões robustas. O modelo híbrido combinou as previsões dos modelos ARIMA e Prophet, visando uma previsão mais confiável e precisa. Após a aplicação dos modelos, foram obtidas métricas de desempenho denominadas Erro Absoluto Médio (do inglês Mean Absolute Error, MAE), Erro Médio Quadrático (do inglês Mean Squared Error, MSE), Erro Médio Quadrático da Raiz (do inglês Root Mean Squared Error, RMSE), Erro Percentual Médio Absoluto (do inglês Mean Absolute Percentage Error, MAPE) para avaliar a qualidade das previsões. RESULTADOS: Em termos de resultados, alguns modelos utilizando a biblioteca Pmdarima do arima e o Prophet tiveram um desempenho razoável na previsão de séries temporais com RMSE de 3,32 e 4,88, respectivamente. Além disso, foram testados outros modelos de Aprendizado de Máquina e alguns deles com resultados superiores aos dos modelos ARIMA e Prophet. Um modelo baseado em árvore de decisão obteve 1,16 quanto a métrica RMSE e o modelo de floresta aleatória (do inglês random forest) obteve RMSE de 0,87. Outro modelo avaliado foi Adaptive Boosting (AdaBoost) que apresentou resultados promissores utilizando a biblioteca Statsmodel do arima com Prophet com o RMSE em média de 1,07. CONSIDERAÇÕES FINAIS: A abordagem proposta se mostrou promissora para aplicações de previsão de séries temporais. No entanto, aprimoramentos de fazem necessários quanto a melhor forma de combinar modelos na forma de comitês de previsões para melhorar o desempenho de previsão frente as métricas avaliadas.

PALAVRAS-CHAVE: Modelos ARIMA; Previsão de séries temporais; Modelo de previsão; Prophet; Modelo híbrido de previsão.