Um modelo híbrido para séries temporais hierárquicas com múltipla sazonalidade

Abstract

Esta dissertação propõe um modelo híbrido capaz de realizar previsões de séries temporais hierárquicas com múltiplas sazonalidades. Essa metodologia híbrida consiste em utilizar um modelo de Machine Learning que possua variáveis contendo metodologias estatísticas de séries temporais para gerar previsões coesas. Essa metodologia foi aplicada no banco de dados da competição M5 - Forecasting (2020) disponibilizada pelo Kaggle, em que o objetivo era prever com maior acurácia a venda diária de 3.409 produtos distribuídos em 5 níveis de hierarquia por 28 dias. Durante o trabalho foram comparadas 5 abordagens diferentes e o modelo de Light Gradient Boosting Machine (LGBM) contendo uma variável baseada na metodologia estatística TBATS (Trigonometric seasonality, Box-Cox transformation ARMA errors, Tred and Seasonal components) chegou obter um ganho de acurácia de 27% em comparação com os modelos de LGBM sem a variável em questão. Esse modelo teria obtido a 318ª colocação na competição, ficando entre os top 6% competidores.