A escolha do modelo certo para previsão de séries temporais sempre foi um desafio. Um modelo que se destaca em dados industriais suaves pode não ter o mesmo desempenho com a demanda de varejo ruidosa ou em horizontes sazonais longos. A decisão ideal depende da série e da tarefa específica, gerando incerteza para os profissionais.
Para resolver essa questão, a IBM Research apresentou, no blog da Hugging Face, o Granite Timeseries Ensemble. Esta nova receita combina quatro arquiteturas complementares de modelos Granite, entregando previsões medianas e de quantis sem a necessidade de retreinamento ou ajuste de pesos do conjunto. A ideia é familiar para quem acompanha a previsão do tempo, onde a combinação de diferentes modelos explora uma gama de resultados possíveis, como no North American Multi-Model Ensemble para previsões sazonais. No contexto de séries temporais, modelos complementares oferecem visões distintas do futuro, e o conjunto as mescla em uma única previsão mais robusta.
Como funciona o conjunto de modelos Granite
O conjunto padrão integra quatro modelos Granite pré-treinados, cada um com uma arquitetura distinta: Granite PatchTST-FM-r1 (Transformer com patches), Granite PatchTST-FM-r2 (Conformer com patches), Granite FlowState-r1.1 (modelo de espaço de estados) e Granite TTM-r3 (Tiny Time Mixers, um mixer MLP). Essas arquiteturas foram projetadas para capturar tendências, sazonalidade e variações locais de maneiras diferentes, o que significa que seus erros não precisam coincidir. Essa diversidade é crucial, pois a combinação de previsões pode reduzir significativamente o risco de escolher um único modelo inadequado, conforme destacado por uma revisão de 50 anos sobre combinações de previsões.
Para utilizar o conjunto, basta instalar o Granite TSFM e carregar a receita de quatro modelos diretamente da Hugging Face. O processo é simples e permite acessar as previsões de ponto e de quantis. As previsões de quantis, que por padrão variam de 0.1 a 0.9, são particularmente úteis para definir intervalos de previsão, como o intervalo central de 80% de cobertura usando os quantis de 0.1 e 0.9. É importante notar que a receita armazena a configuração do conjunto, e não os pesos dos modelos mesclados, baixando os quatro checkpoints dos membros em tempo de execução, o que pode levar um tempo extra na primeira execução.
Duas abordagens para combinar previsões
O Granite Timeseries Ensemble oferece duas maneiras principais de combinar as previsões de quantis de seus membros, transformando-as em uma única distribuição preditiva e sua mediana. A primeira é o Conjunto Probabilístico (Probabilistic Ensemble), que é o padrão recomendado. Ele atribui igual influência a cada membro, agrupando suas previsões de quantis no espaço de probabilidade e extraindo os quantis solicitados dos valores combinados. Como os pesos são fixos, não há etapa de ajuste nem hiperparâmetros de ponderação para sintonizar para uma nova série. Essa abordagem de igual influência tem se mostrado eficaz em previsões de ponto, onde combinações simples e com pesos iguais frequentemente superam métodos com pesos estimados.
Uma alternativa adaptativa é o Conjunto IQR (Inter Quartile Range Ensemble). Este método pondera os membros de acordo com a dispersão de suas previsões, dando maior influência a intervalos mais estreitos. Ele estima o intervalo interquartil de cada membro a partir dos quantis mais próximos em torno dos percentis 25 e 75. Os pesos variam por amostra, alvo e passo do horizonte. Embora um intervalo mais estreito não garanta maior precisão, o Conjunto IQR permite experimentação com configurações de temperatura e um limite opcional para o peso de qualquer membro individual, oferecendo flexibilidade para diferentes cenários. A escolha entre os dois depende do objetivo: o Conjunto Probabilístico para um padrão simples e o Conjunto IQR para ponderação adaptativa baseada na dispersão da previsão.
O que isso muda para você
Para profissionais brasileiros que trabalham com análise de dados e previsão, a introdução do Granite Timeseries Ensemble representa um avanço significativo. A capacidade de combinar múltiplos modelos pré-treinados sem a necessidade de retreinamento simplifica enormemente o processo de seleção e otimização de modelos, economizando tempo e recursos computacionais. Isso é especialmente relevante em mercados dinâmicos como o brasileiro, onde a agilidade na tomada de decisões baseadas em previsões precisas pode ser um diferencial competitivo.
A flexibilidade de escolher entre o Conjunto Probabilístico, para uma abordagem mais direta e sem ajustes, ou o Conjunto IQR, para uma ponderação adaptativa, permite que as empresas personalizem suas estratégias de previsão de acordo com a natureza de seus dados e os requisitos de seus negócios. Seja para prever demanda de produtos, flutuações de mercado ou tendências de consumo, essa ferramenta oferece uma base mais sólida para a tomada de decisões. O próximo passo concreto para os profissionais é explorar a implementação desses conjuntos em seus próprios projetos, começando pelo Conjunto Probabilístico como um padrão robusto e, em seguida, avaliando o Conjunto IQR para cenários que exigem maior adaptabilidade e sensibilidade à dispersão das previsões.
