series temporais

O Que é LSTM (Long Short-Term Memory)? LSTM é um tipo de rede neural recorrente (RNN). Ela é capaz de manter um vetor interno de informações (o “estado”) por períodos de tempo mais longos que as redes neurais recorrentes primitivas. Montar as estruturas dessas redes neurais do zero é muito trabalhoso, mas temos bibliotecas que nos ajudam fazendo a maior parte do trabalho. Vamos usar a biblioteca NeuralForecast, que além de implementar as estruturas mais comuns de redes neurais recorrentes, também implementa a busca automática por hiperparâmetros....

De todos os tipos de previsão, prever o que ocorrerá no futuro com base em eventos passados pode ser uma das tarefas mais interessantes e desafiadoras. É aí que entra a previsão de séries temporais. Prever uma série temporal começa por supor que os padrões de comportamento observados no passado serão replicados no futuro. Uma das maneiras de fazer estas previsões é usando modelos estatísticos sobre séries univariadas, que é o que você vai aprender neste artigo usando Python....

Ao usar machine learning para prever séries temporais, você não pode simplesmente dividir seus dados entre treino e validação com um split aleatório. Se você fizer isso, seu modelo vai aprender a prever o passado com base no futuro e te dar uma estimativa altamente otimista (e errada) da performance em dados nunca vistos. Em praticamente todos os projetos reais de machine learning você terá uma dimensão temporal e jamais deve ignorá-la....

O Que São Séries Temporais? Séries temporais são conjuntos de dados que são observados ao longo do tempo. Elas são amplamente utilizadas em campos como meteorologia, economia e finanças. Cada amostra é marcada com um instante de tempo específico. No exemplo acima temos uma série temporal da média da temperatura diária, em Celsius, medida no Mirante de Santana na cidade de São Paulo. Cada dia é uma amostra com sua própria temperatura e data....

Quando tratamos da previsão de séries temporais um modelo amplamente utilizado é a regressão linear. Apesar de simples, ele tem se mostrado bastante útil em aplicações reais. Uma forma muito simples de criar um modelo para este caso é usar os dados anteriores da própria variável de interesse para prever o atual. É possível criar modelos que buscam prever estas séries utilizando outros atributos, o que em alguns casos vai melhorar a precisão dos mesmos....